Отсортировать список предложений по количеству букв и слов в python 2.7

#python #сортировка #python_27

Начинаю учить Python 2.7. Надо отсортировать список предложений по количеству букв
и слов. song - собственно сам файл со списком.

Чтобы отсортировать, подозреваю, надо играться с key, но не хватает у меня пока мыслей,
как именно.

song = sys.argv[1]
w = open(song)
for line in sorted(w, key = int(len(line)))   
    print line

    

Ответы

Ответ 1

Параметр key должен быть функцией, принимающей текущий элемент и возвращающей значение,
по которому сортируем. В данном случае достаточно просто len (приведение длины к целому
излишне, т.к. len и так возвращает целое число):

song = sys.argv[1]
w = open(song)
for line in sorted(w, key=len)   
    print line


В более сложных случаях сортировки может понадобиться создать lambda-функцию (или
даже выносить код в отдельную именованную функцию).

Для сортировки по количеству слов можно разбивать строку по пробельным символам с
помощью метода строки split, и сортировать по количеству полученных кусков:

song = sys.argv[1]
w = open(song)
for line in sorted(w, key=lambda x: len(x.split()))
    print line


Чтобы отсортировать строки по количеству слов, а слова в строках по количеству букв,
можно сделать так:

Сначала просто создаем список строк, каждую строку разбиваем на слова:

lines = [line.rstrip().split() for line in file]


Добавляем сортировку слов внутри строк (это та же строка, просто добавили сортировку):

lines = [sorted(line.rstrip().split(), key=len) for line in file]


Добавляем сортировку строк по количеству слов (заменяю генератор списка на итератор
- круглые скобки вместо квадратных):

lines = sorted((sorted(line.rstrip().split(), key=len) for line in file), key=len)


Т.к. строки уже разбиты на слова, то еще раз делать split не нужно, а просто сортируем
по длине списка.

Ну и при выводе на экран собираем списки слов обратно в целые строки:

for line in lines:
    print ' '.join(line)


Дополнение. Как правильно заметил jfs в комментариях к ответу, если файл сохранен
например в utf-8 (вообще в любой не однобайтовой кодировке), то будет не подсчет символов,
а подсчет байт, плюс не будет работать разбивка по юникодным пробельным символам.

Чтобы открыть файл в нужной кодировке, нужно использовать функцию io.open(). При
открытии будет использоваться кодировка системы по-умолчанию. Чтобы использовать конкретную
кодировку, можно указать ее при открытии:

import io
...
w = io.open(song, encoding='utf-8')


Ответ 2

Чтобы отсортировать список предложений sentences по количеству слов:

sentences.sort(key=word_count)


где функция word_count() принимает предложение и возвращает количество слов в нём.

Если вы ещё хотите, чтобы слова внутри отдельных предложений были отсортированы по
количеству букв, то следует разбить каждое предложение на слова и отсортировать слова:

words = get_words(sentence)
words.sort(key=char_count)


Здесь get_words() функция принимает предложение и возвращает список слов в нём. char_count()
функция принимает слово и возвращает количество букв в нём. 

Как конкретно выглядят функции word_count, get_word, char_count зависит существенно
от задачи.

К примеру, если входной файл, заданный в командной строке, содержит предложения каждое
на новой строке, а слова просто отделены пробелом, тогда чтобы отсортировать предложения
по количеству слов в них, а слова внутри предложений по количеству букв:

#!/usr/bin/env python
import io
import sys

with io.open(sys.argv[1]) as file:
    sentences = file.read().splitlines()  # NOTE: line ends are not included
    result = sorted([sorted(get_words(s), key=char_count)
                     for s in sentences], key=word_count)

for words in result: # for each sentence
    print(' '.join(words))


где:

get_words = unicode.split  # split on arbitrary whitespace
word_count = len           # number of items in the list of words
char_count = len           # unicode word length


Замечания по коду:


io.open() используется, чтобы текст как unicode прочитать, а не байты (используя
locale.getpreferredencoding() кодировку). Количество байт в слове может не совпадать
с количеством символов в нём. См. Длина строки считается неверно
unicode.splitlines() возвращает список строк, убирая концы строк 
unicode.split() разбивает строку по произвольному пробелу (не только u' ', но к примеру
и неразрывный пробел U+00A0 понимает). В качестве альтернативы, можно было бы регулярное
выражение использовать, чтобы список слов получить:

import re

words = re.findall(r'\w+', sentence, flags=re.UNICODE)


это полезно, если вы не хотите к примеру, пунктуацию рассматривать частью слов (если
просто по пробелам разбить, то точки, запятые в словах остаются)
word_count = len работает, так как каждое предложение как список слов представлено в коде
unicode объект в Питоне является неизменяемой последовательностью символов (Unicode
codepoints), поэтому char_count = len. То есть количество букв считается равным количеству
символов в слове. Стоит заметить, что одно видимая буква, может из нескольких символов
состоять:

>>> len(u"ё")
2
>>> u"ё"
u'\u0435\u0308'


Для целей перемещения по тексту, для копирования в GUI мы бы не хотели только половину
буквы получить. См. Разделить в Python 3 слово на символы

Дополнительно, существуют так называемые "узкие" сборки python 2 исполняемого файла,
в которых не-BMP символы такие как U+1F602 (FACE WITH TEARS OF JOY) в виде суррогатной
пары представлены (абстракция нарушена — дефект в реализации). В "широких" сборках
(часто на Linux) или на Питоне 3 этой проблемы не существует: индексация (Unicode)
строк не разбивает символ (Unicode codepoint):

>>> print(u'\U0001f602')
😂
>>> len(_)
1