Я пытаюсь реализовать Patricia Trie с методами addWord()
, isWord()
, и isPrefix()
как средство сохранить большой словарь слов для быстрого извлечения (включая поиск префикса). Я читал на понятиях, но они просто не разъясняются в реализацию. Я хочу знать (в Java или коде Python), как реализовать Trie, особенно узлы (или если я реализую его рекурсивно). Я видел одного человека, который реализовал его с массивом 26 дочерних наборов узлов к пустому указателю/Ни одному. Существует ли лучшая стратегия (такая как обработка букв как биты) и как Вы реализовали бы ее?
Некоторое время назад кто-то еще задал вопрос о попытках Патрисии, и тогда я подумал о создании реализации Python, но на этот раз я решил попробовать (Да, это слишком много, но это казалось приятным маленьким проект). То, что я сделал, возможно, не является чистой реализацией Patricia trie, но мне больше нравится мой способ. Другая Патрисия пытается (на других языках) использовать только список для детей и проверять каждого ребенка, чтобы увидеть, есть ли совпадение, но я подумал, что это было довольно неэффективно, поэтому я использую словари. Вот в основном то, как я это настроил:
Я начну с корневого узла. Корень - это просто словарь. В словаре есть ключи, состоящие из отдельных символов (первых букв слов), ведущих к ветвям. Значения, соответствующие каждому ключу, представляют собой списки, где первый элемент представляет собой строку, которая дает остальную часть строки, которая соответствует этой ветви дерева, а второй элемент является словарем, ведущим к дальнейшим ветвям от этого узла. В этом словаре также есть односимвольные ключи, которые соответствуют первой букве остальной части слова, и процесс продолжается вниз по дереву.
Еще я должен упомянуть, что если данный узел имеет ветви, но также является словом в самом дереве, то это обозначается наличием ключа ''
в словаре, который приводит к узел со списком ['', {}]
.
Вот небольшой пример, показывающий, как хранятся слова (корневой узел - это переменная _d
):
>>> x = patricia()
>>> x.addWord('abcabc')
>>> x._d
{'a': ['bcabc', {}]}
>>> x.addWord('abcdef')
>>> x._d
{'a': ['bc', {'a': ['bc', {}], 'd': ['ef', {}]}]}
>>> x.addWord('abc')
{'a': ['bc', {'a': ['bc', {}], '': ['', {}], 'd': ['ef', {}]}]}
Обратите внимание, что в последнем случае в словарь был добавлен ключ '' для обозначения что «abc» - это слово в дополнение к «abcdef» и «abcabc».
Исходный код
class patricia():
def __init__(self):
self._data = {}
def addWord(self, word):
data = self._data
i = 0
while 1:
try:
node = data[word[i:i+1]]
except KeyError:
if data:
data[word[i:i+1]] = [word[i+1:],{}]
else:
if word[i:i+1] == '':
return
else:
if i != 0:
data[''] = ['',{}]
data[word[i:i+1]] = [word[i+1:],{}]
return
i += 1
if word.startswith(node[0],i):
if len(word[i:]) == len(node[0]):
if node[1]:
try:
node[1]['']
except KeyError:
data = node[1]
data[''] = ['',{}]
return
else:
i += len(node[0])
data = node[1]
else:
ii = i
j = 0
while ii != len(word) and j != len(node[0]) and \
word[ii:ii+1] == node[0][j:j+1]:
ii += 1
j += 1
tmpdata = {}
tmpdata[node[0][j:j+1]] = [node[0][j+1:],node[1]]
tmpdata[word[ii:ii+1]] = [word[ii+1:],{}]
data[word[i-1:i]] = [node[0][:j],tmpdata]
return
def isWord(self,word):
data = self._data
i = 0
while 1:
try:
node = data[word[i:i+1]]
except KeyError:
return False
i += 1
if word.startswith(node[0],i):
if len(word[i:]) == len(node[0]):
if node[1]:
try:
node[1]['']
except KeyError:
return False
return True
else:
i += len(node[0])
data = node[1]
else:
return False
def isPrefix(self,word):
data = self._data
i = 0
wordlen = len(word)
while 1:
try:
node = data[word[i:i+1]]
except KeyError:
return False
i += 1
if word.startswith(node[0][:wordlen-i],i):
if wordlen - i > len(node[0]):
i += len(node[0])
data = node[1]
else:
return True
else:
return False
def removeWord(self,word):
data = self._data
i = 0
while 1:
try:
node = data[word[i:i+1]]
except KeyError:
print "Word is not in trie."
return
i += 1
if word.startswith(node[0],i):
if len(word[i:]) == len(node[0]):
if node[1]:
try:
node[1]['']
node[1].pop('')
except KeyError:
print "Word is not in trie."
return
data.pop(word[i-1:i])
return
else:
i += len(node[0])
data = node[1]
else:
print "Word is not in trie."
return
__getitem__ = isWord
Вы могли заметить, что в конце я установил __ getitem __
в метод isWord. Это означает, что
x['abc']
вернет "abc" в дереве или нет.
Я думаю, что, возможно, мне стоит сделать из этого модуль и отправить его в PyPI, но для этого требуется дополнительное тестирование и, по крайней мере, метод removeWord. Если вы обнаружите какие-либо ошибки, дайте мне знать, но, похоже, он работает довольно хорошо. Кроме того, если вы заметите какие-либо большие улучшения в эффективности, я тоже хотел бы о них услышать. Я подумывал сделать что-нибудь с пустыми словарями внизу каждой ветки, но пока оставляю это. Эти пустые словари могут быть заменены данными, связанными со словом, например, для расширения использования реализации.
В любом случае, если вам не нравится то, как я реализовал это, по крайней мере, возможно, это даст вам некоторые идеи о том, как вы хотели бы реализовать свою собственную версию.