NLP--基本技能(一)

NLP资料PDF链接

python 中的[::-1]

for value in rang(10)涉及的数字倒序输出：

　　for value in rang(10)[::-1]涉及的数字倒序输出：

二、详解

这个是python的slice notation的特殊用法。

a = [0,1,2,3,4,5,6,7,8,9]

b = a[i:j] 表示复制a[i]到a[j-1]，以生成新的list对象

b = a[1:3] 那么，b的内容是 [1,2]

当i缺省时，默认为0，即 a[:3]相当于 a[0:3]

当j缺省时，默认为len(alist), 即a[1:]相当于a[1:10]

当i,j都缺省时，a[:]就相当于完整复制一份a了

b = a[i:j:s]这种格式呢，i,j与上面的一样，但s表示步进，缺省为1.

所以a[i:j:1]相当于a[i:j]

当s<0时，i缺省时，默认为-1. j缺省时，默认为-len(a)-1

所以a[::-1]相当于 a[-1:-len(a)-1:-1]，也就是从最后一个元素到第一个元素复制一遍。

 

计算字符串中出现频次最多的字符

我们经常会对DataFrame对象中的某些行或列，或者对DataFrame对象中的所有元素进行某种运算或操作，我们无需利用低效笨拙的循环，DataFrame给我们分别提供了相应的直接而简单的方法，apply()和applymap()。其中apply()方法是针对某些行或列进行操作的，而applymap()方法则是针对所有元素进行操作的。

       我们给出具体的例子看这两个方法是怎么工作的，代码入下。首先我们构造一个(3,4)的DataFrame对象df1，然后我们想对每列进行求和，便可以利用apply()方法结合匿名函数lambda实现。apply()方法中的第一个参数是函数，这里我们传递了一个匿名函数给apply()，当然我们还可以通过axis参数指定轴，比如这里我们可以令axis=1，则就会返回每行的求和，这里默认axis=0。

       然后如果我们想对df1中的每个元素进行操作，比如这个例子中我们是想让每个元素只保留两位小数，那么可以通过applymap()方法实现。applymap()方法就是针对元素级的方法，比如在in[20]中，我们通过给applymap()方法传递一个格式化表达的匿名函数，通过applymap()方法将这个函数应用到每个元素上以实现我们的目标。这里之所以叫applymap()方法，是因为在Series中有一个对元素级操作的map()方法，参数也为函数。

        当然，一些常用的运算和统计方法，DataFrame都是自己定义了的，因此我们不用自己再构造匿名函数。但是一般的，DataFrame自己的运算方法都是针对所有的行或所有列的，具体是行还是列可以通过axis参数指定

正则表达式

***************************