本节书摘来自华章社区《Clojure数据分析秘笈》一书中的第2章,第2.10节修正拼写错误,作者(美)Eric Rochester,更多章节内容可以访问云栖社区“华章社区”公众号查看
2.10 修正拼写错误
拼写错误是某些时间需要处理的问题。特别是当你试图处理原始的文本数据时,拼写错误会对你的工作造成较大影响。
曾几何时,拼写检查器是进行多种优化的软件的重要部分,这些软件被限制运行于日常工作计算机环境下。现在情况不是这样了。Peter Novig在互联网上发布了一篇名为“如何编写拼写检查器程序”(http://norvig.com/spell-correct.html)的文章。它展示了如何读入被假定为拼写无误的文本并根据这些文本构建拼写检查器。他提供了一个使用Python的21行代码的实现。本方法中,将Python代码转换为Clojure代码。
![a0c46d380bba68d7f25b890c16d4029aeaa01980](https://yqfile.alicdn.com/a0c46d380bba68d7f25b890c16d4029aeaa01980.png?x-oss-process=image/resize,w_1400/format,webp)
![2ad95b919c9e4295aef60bfa67c88a006054dffb](https://yqfile.alicdn.com/2ad95b919c9e4295aef60bfa67c88a006054dffb.png?x-oss-process=image/resize,w_1400/format,webp)
![0b3032f3efe23bcfa7f54ad0e7fbc689eb97cb31](https://yqfile.alicdn.com/0b3032f3efe23bcfa7f54ad0e7fbc689eb97cb31.png?x-oss-process=image/resize,w_1400/format,webp)
上述结果解释了原因。transpose没有在训练集中出现过,elder的出现次数比editor两倍还多,因此上述结果是基于训练集的拼写修正。
2.10.3 实现原理
核心函数是edits-1和known-edits-2。它们在字符串空间上执行查询,寻找与被检查的单词的编辑距离是1或2的那些已知单词(在测试集中出现过的单词)。在执行操作之前,单词由split-word函数一分为二。可以组成一次编辑操作(edit)的处理过程由以下一系列函数定义:
delete-char:从一个单词中删除一个字母(例如,word转换为wod)。
transpose-char:交换两个字母的顺序(例如,word转换为wrod)。
replace-split:使用字母表中的另一个字母替换一个字母(例如,word转换为wobd)。
insert-split:向单词中插入一个字母(例如,word转换为wobrd)。
correct函数查看所有在训练集中出现过的返回的编辑操作,并从中选出频率最高的那个。
2.10.4 更多信息
如果你想了解这项工作的统计信息(你应该这么做,它非常有趣),请查看Norvig文章的解释(http://norvig.com/spell-correct.html)。