我發現之前自己真是太愚蠢了沒有搞清楚正則表達的各種用法。
不同詞語的篩選根本不用像re.sub('另一個想替換的內容','另一個替換后的內容',re.sub('想要替換的內容','替換后的內容',x))
這樣傻了吧唧地篩一層又一層……(受linux的pipe荼毒太深)
正則表達中不同字符的or其實大家都知道是[abcde1234]
這樣的,但是不同詞語的時候如果寫[(remix)(acoustic)]
的話匹配的并不是兩個單詞而是ra,rc,ro……以此類推。
實際上你需要使用|
把兩個間隔開后再括上括號([]
也行)才可以匹配。
下面我們來看幾個例子:
import re
str1='remix acoustic remixxxx acous remi 1234 reacu acoustic1'
str2=re.sub('.*((remix)|(acoustic)).*','替換',str1)
str3=re.sub('.*(remix)|(acoustic).*','替換',str1)
str4=re.sub('(remix)|(acoustic)','替換',str1)
str5=re.sub('[(remix)|(acoustic)]','替換',str1)
print(str2)
print(str3)
print(str4)
print(str5)
######輸出結果
#替換
#替換xxx acous remi 1234 reacu 替換
#替換 替換 替換xxx acous remi 1234 reacu 替換1
#替換替換替換替換替換 替換替換替換替換替換替換替換替換 替換替換
#替換替換替換替換替換替換 替換替換替換替換替換 替換替換替換替換 1234 替換替換替換替換替換 替換替換替換替換替換替換替換替換1
所以我們為了篩選出更合適的不重復歌曲,就可以用這樣寫:
if (re.search(".*((remix)|(acoustic)|(edition)|(feat\.)).*",links))==None:
另外為了防止Taylor最多的詞語是shake這種沙雕情況,這次換了一個算法:
lyricswords=[]
for lyric in lyric_dict.values():
lyricswords=lyricswords + list(set(sorted(lyric.split(' ')))) #unique words in one song
#the 300 most frequent words
ly_frenquency=Counter(sorted(lyricswords)).most_common(300)
for item in ly_frenquency:
print(re.sub(r"[()']",'',str(item)))
原理很樸素,就是利用set的特性把這個有重復詞語的list變成無重復的set,最后再變回list加入到dict中(其實第二步轉換沒有必要?)。
那么我們來看一下結果吧!
笑成傻吊了……都怪我覺得說唱歌手詞匯更豐富一點,根本就是想太多了。
麻辣雞的歌詞精選:
aint, 33
money, 20
niggas, 18
bitch, 17
nicki, 17
fuck, 17
nigga, 16
bitches, 15
young, 14
queen, 13
ride, 13
hit, 12
ya, 12
boy, 12
ass, 10
pussy, 9
bout, 8
hoes, 8
rap, 8
kiss, 7
fucking, 7
minaj, 5
pink, 5
red, 5
然后再來看一下喇嘛
nigga, 43
shit, 41
down, 40
life, 39
fuck, 37
bitch, 31
man, 31
one, 31
niggas, 31
love, 30
said, 30
look, 30
em, 29 #我覺得這可能是'em而不是真的emmmm吧畢竟英語里都沒有這個說法
take, 29
feel, 28
god, 27
yeah, 27
world, 27
black, 27
就真的也沒好到哪里去,不過這么簡單粗暴的概括語言并不能說明什么,僅供娛樂吧哈哈哈哈。
ps說真的急需一個新project給我玩,可是一時半會兒想不出什么好玩的,想做的微博bot之類的又太超出我現有水平,苦惱.jpg