Search 在Mathematica中搜索术语出现次数

我试图在Mathematica 8（12k+）中搜索大量文本文件。到目前为止，我已经能够描绘出一个单词出现的绝对次数（即“爱”这个词在那些12k文件中出现了5000次）。然而，我很难确定“爱”出现过一次的文件的数量——可能只有1000个文件中出现过“爱”，而在其他文件中重复出现过几次

我发现wrtfindlist、streams、recordseparator等文档有点模糊。有没有一种方法可以将其设置为在文件中查找一次术语的关联，然后再移动到下一个

文件列表示例：

{“89001.txt”、“89002.txt”、“89003.txt”、“89004.txt”、“89005.txt”、“89006.txt”、“89007.txt”、“89008.txt”、“89009.txt”、“89010.txt”、“89011.txt”、“89012.txt”、“89013.txt”、“89014.txt”、“89015.txt”、“89016.txt”、“89017.txt”、“89018.txt”、“89019.txt”、“89020.txt”、“89021.txt”、“89022.txt”、“89023.txt”、“89024.txt”}}

下面返回每个文件中的所有行。在进入下一个文件之前，有没有办法只返回每个文件中第一次发生的爱情

FindList[filelist, "love"]

---

非常感谢。这是我的第一篇文章，我主要通过同伴/主管帮助、在线教程和文档学习Mathematica。

帮助>文档中心>FindList第4项：

“FindList[文件，文本，n] 仅包括找到的前n行。“

所以你可以把n设为1

Daniel Lichtblau

除此之外，您似乎还要求提供该单词只出现一次的文件列表。为此，我将继续在所有文件中运行

FindList

res =FindList[filelist, "love"]

然后，通过

lines = Select[ res, Length[#]==1& ]

但是，这并不能消除一行中出现多个事件的情况。要做到这一点，您可以使用并且只接受它为1的实例，如下所示

Select[ lines, StringCount[ #, RegularExpression[ "\\blove\\b" ] ] == 1& ]

res = FindList[#, "love"]& /@ filelist

指定“love”必须是一个使用单词边界标记（

\\b

）的不同单词，这样“love”之类的单词就不会包括在内

编辑：当传递文件列表时，

FindList

似乎会返回一个展开的列表，因此您无法确定哪个项目与哪个文件匹配。例如，如果您有3个文件，并且它们分别包含单词“love”、0、1和2次，那么您将得到一个如下所示的列表

{, love, love, love }

这显然是没有用的。要克服这个问题，您必须单独处理每个文件，最好通过

Map

（）来完成，如下所示

Select[ lines, StringCount[ #, RegularExpression[ "\\blove\\b" ] ] == 1& ]

res = FindList[#, "love"]& /@ filelist

上述代码的其余部分按预期工作

但是，如果要将结果与文件名关联，则必须稍微更改它

res = {#, FindList[#, "love"]}& /@ filelist
lines = Select[res, 
         Length[ #[[2]] ] ==1 &&  (* <-- Note the use of [[2]] *)
         StringCount[ #[[2]], RegularExpression[ "\\blove\\b" ] ] == 1&
        ]

要提取文件名，只需键入

行[[All，1]]

---

注意，为了

选择所需的属性，我使用
部分
（）指定每个数据中的第二个元素，提取文件名也是如此。
非常感谢，这很有帮助。我会继续修补它，这有助于通过分析行级别来打开一些关于处理数据的进一步想法。@Ian，belisarius注意到
FindList
中存在一个缺陷，因此除了修复以前代码中的一个小错误外，我还添加了一个解决方法。太好了，我现在正在尝试-非常感谢您的慷慨帮助！它似乎起作用了。上面的Map（/@）命令是关键的添加！这些都是很棒的东西，我会在我继续进行文本处理时作为参考。别忘了更新有用的答案（当你获得15个声誉时），如果有人回答了你的问题，请将其标记为已接受。谢谢你的提醒，rcollyer（总是很好地了解社区标准）。在我实施这些建议时，我可能需要一些时间来完全解决这个问题，但如果我有代表的话，我肯定会对这些问题进行投票。请查看以获得对标准的全面解释。@ian对您的用户ID进行一个小的更改可能会很好：避免以“I”开头，因为大写字母会将其变为“I”，这是无法区分的小写字母“L”，你会错过comments@belisarius很棒的呼叫，我已经更改了用户名。@丹尼尔，它不能识别单词只在哪些文件中出现过一次，是吗？@belisarius，更糟糕的是，它似乎完全压平了列表，所以你无法确定哪个是哪个。@belisarius不，不提供文件。但该数据不在请求中，只是长度。@Daniel抱歉，也许我误解了question@belisarius我认为这（问题）正在演变。这很好——当回答提供洞察时，稍微细化一下通常是一件好事。