用Python作文本处理第二章—基本的字符串运用.docVIP

用Python作文本处理/第二章 目录  HYPERLINK /index.php/Tpip_210 \l .E7.AC.AC.E4.B8.80.E8.8A.82_--_.E5.B8.B8.E7.94.A8.E7.9A.84.E6.93.8D.E4.BD.9C 1?第一节 -- 常用的操作  HYPERLINK /index.php/Tpip_210 \l .E4.B8.BB.E9.A2.98_--_.E5.BF.AB.E9.80.9F.E6.8E.92.E5.BA.8F 2?主题 -- 快速排序  HYPERLINK /index.php/Tpip_210 \l .E4.B8.BB.E9.A2.98_--_.E6.8E.92.E7.89.88 3?主题 -- 排版  HYPERLINK /index.php/Tpip_210 \l .E4.B8.BB.E9.A2.98_--_.E5.A4.84.E7.90.86.E5.AD.97.E6.AE.B5 4?主题 -- 处理字段  HYPERLINK /index.php/Tpip_210 \l .E4.B8.BB.E9.A2.98_--_.E5.AD.97.E8.AF.8D.E6.95.B0.E7.BB.9F.E8.AE.A1 5?主题 -- 字词数统计  HYPERLINK /index.php/Tpip_210 \l .E4.B8.BB.E9.A2.98_--_.E4.BB.A5.E4.BA.8C.E8.BF.9B.E5.88.B6.E6.95.B0.E6.8D.AE.E4.BC.A0.E9.80.81ASCII.E7.A0.81.E4.BF.A1.E6.81.AF 6?主题 -- 以二进制数据传送ASCII码信息  HYPERLINK /index.php/Tpip_210 \l .E4.B8.BB.E9.A2.98_--_.E8.AF.8D.E9.A2.91.E7.BB.9F.E8.AE.A1 7?主题 -- 词频统计第一节 -- 常用的操作 主题 -- 快速排序 排序是文字处理中大多数任务的关键所在。幸运的是，在Python里，使用`[].sort`的效率还不错。此外，在列表的任何不同对象都可以排序而不需要像C语言那样需要统一的元素（对于混合复数和Unicode字符串的列表排序在最近的几个Python版本里会触发TypeError异常）。 参考：? HYPERLINK /index.php/Tpip_114 \l BUILTIN_--_complex_:_.E5.A4.8D.E6.95.B0.E7.9A.84.E6.96.B0.E5.BC.8F.E7.B1.BB \o Tpip 114 [complex] +++ 列表排序的顺序有一种自然顺序，特别是不同类型混合的排序顺序都是Python的默认顺序。很多时候，你需要特定的顺序。特别是对于文本里的行做排序往往需要的不是简单的字母顺序。通常一行里有用的信息起始位置并不是第一个字符：人名里的姓往往是第二个单词；服务器日志里IP地址可能固定在某个字段；金额合计可能在每一行的第70列等等。只使用默认排序这些内容只会毫无意义。 列表排序`[].sort()`支持自定义比较函数参数。这个比较函数的功能是返回-1则表示前者排在后者之前，返回0则表示二者顺序相同，返回1则表示后者排在前者之前。内置函数 HYPERLINK /index.php?title=%60cmp%28%29%60action=edit \o `cmp()` `cmp()`就是`[].sort()`的默认比较函数（在速度上lst.sort()远远超过lst.sort(cmp)）。对于不太长的列表使用自定义比较函数可以快速的解决问题。在很多情况下，甚至可以直接使用一个lambda表达式来完成任务。 说到速度，使用自定义比较函数效率会很低。部分原因是Python的函数调用开销，函数本身也会增加花费的时间。不过有一种技术“Schwartzian转换”可以加速这种自定义排序。Schwartzian转换是兰德尔施瓦兹在Perl中最先开始使用的，但其中的技巧同样适用于Python。 使用Schwartzian转换主要包括三个步骤，（准确的来说这是Guttman-Rosler转换(GRT)，同样基于Schwartzian转换）： 1. 将列表转换为可以用默认排序的列表。 2. 使用`[].sort()`排序。 3. 转回原先的格式。 这项技术的主要作用是花费仅仅O(2N)转换就可以使用默认的O(N log N)排序。如果任务里排序时间是主要因素的话，使用这项技术将大大提高效率（唯一的限制就是转换花费的时间不会很多）。 下面是