Diccionarios

Un diccionario es como una lista, pero más general. En una lista, las posiciones del índice deben ser enteros; En un diccionario, los índices pueden ser (casi) de cualquier tipo.

Puede pensar en un diccionario como una asignación entre un conjunto de índices (que se denominan teclas ) y un conjunto de valores. Cada clave se asigna a un valor. La asociación de una clave y un valor se denomina par clave-valor o, a veces, un elemento .

Como ejemplo, construiremos un diccionario que asigna palabras del inglés al español, de modo que las claves y los valores son todas cadenas.

La función dict crea un nuevo diccionario sin elementos. Como dict es el nombre de una función incorporada, debes evitar usarla como nombre de variable.

Los corchetes, {}, representan un diccionario vacío. Para agregar elementos al diccionario, puede usar corchetes:

>>> eng2sp['one'] = 'uno'

Esta línea crea un elemento que se asigna desde la clave 'one' al valor" uno ". Si imprimimos el diccionario nuevamente, vemos un par clave-valor con dos puntos entre la clave y el valor:

>>> print(eng2sp){'one': 'uno'}

Este formato de salida es también un formato de entrada. Por ejemplo, puede crear un diccionario nuevo con tres elementos. Pero si imprime eng2sp, podría sorprenderse:

>>> eng2sp = {'one': 'uno', 'two': 'dos', 'three': 'tres'}
>>> print(eng2sp){'one': 'uno', 'three': 'tres', 'two': 'dos'}

El orden de los pares clave-valor no es el mismo. De hecho, si escribe el mismo ejemplo en su computadora, podría obtener un resultado diferente. En general, el orden de los elementos en un diccionario es impredecible.

Pero eso no es un problema porque los elementos de un diccionario nunca se indexan con índices enteros. En su lugar, utiliza las teclas para buscar los valores correspondientes:

>>> print(eng2sp['two'])'dos'

La tecla 'two' siempre se asigna al valor" dos ", por lo que el orden de los elementos no importa.

Si la clave no está en el diccionario, obtendrás una excepción:

>>> print(eng2sp['four'])KeyError: 'four'

La función len funciona en los diccionarios; devuelve el número de pares clave-valor:

>>> len(eng2sp)3

El operador in trabaja en los diccionarios; le dice si algo aparece como una tecla en el diccionario (que aparece como un valor no es lo suficientemente bueno).

>>> 'one' in eng2spTrue
>>> 'uno' in eng2spFalse

Para ver si algo aparece como un valor en un diccionario, puede usar el método valores, que devuelve los valores como una lista, y luego usar el operadorin:

>>> vals = list(eng2sp.values())
>>> 'uno' in valsTrue

El operador 'in' usa diferentes algoritmos para listas y diccionarios. Para listas, utiliza un algoritmo de búsqueda lineal. A medida que la lista se alarga, el tiempo de búsqueda se alarga en proporción directa a la longitud de la lista. Para los diccionarios, Python usa un algoritmo llamado tabla hash que tiene una propiedad notable: el operador in toma aproximadamente la misma cantidad de tiempo, sin importar cuántos elementos haya en un diccionario. No explicaré por qué las funciones hash son tan mágicas, pero puedes leer más sobre esto en [wikipedia.org/wiki/Hash_table◆(wikipedia.org/wiki/Hash_table).

Ejercicio 1: lista de palabras2

Escriba un programa que lea las palabras en words.txt y las almacene como claves en un diccionario. No importa cuáles sean los valores. Luego, puede usar el operador in como una forma rápida de verificar si una cadena está en el diccionario.

Diccionario como conjunto de contadores

Supongamos que se le asigna una cadena y desea contar cuántas veces aparece cada letra. Hay varias formas de hacerlo:

1. Podrías crear 26 variables, una para cada letra del alfabeto. Luego, puede atravesar la cadena y, para cada carácter, incrementar el contador correspondiente, probablemente utilizando un condicional encadenado.
2. Podrías crear una lista con 26 elementos. Luego, puede convertir cada carácter en un número (utilizando la función incorporada ord), usar el número como un índice en la lista e incrementar el contador apropiado.
3. Podrías crear un diccionario con caracteres como teclas y contadores como los valores correspondientes. La primera vez que vea un carácter, agregará un elemento al diccionario. Después de eso, incrementaría el valor de un elemento existente.

Cada una de estas opciones realiza el mismo cálculo, pero cada una de ellas implementa ese cálculo de una manera diferente.

Una implementación es una forma de realizar un cálculo; Algunas implementaciones son mejores que otras. Por ejemplo, una ventaja de la implementación del diccionario es que no tenemos que saber con anticipación qué letras aparecen en la cadena y solo tenemos que dejar espacio para las letras que aparecen.

Aquí es cómo se vería el código:

>>> word = 'brontosaurus'
>>> d = dict()
>>> for c in word: 
...     if c not in d: 
...         d[c] = 1 
...     else: 
...         d[c] = d[c] + 1 
... print(d)
  File "<stdin>", line 6
    print(d)
        ^
SyntaxError: invalid syntax
>>>

Estamos efectivamente calculando un histograma , que es un término estadístico para un conjunto de contadores (o frecuencias).

El bucle for atraviesa la cadena. Cada vez que recorre el bucle, si el carácter c no está en el diccionario, creamos un nuevo elemento con la clavec y el valor inicial 1 (ya que hemos visto esta letra una vez). Si c ya está en el diccionario, incrementamosd [c].

Aquí está la salida del programa:

{'a': 1, 'b': 1, 'o': 2, 'n': 1, 's': 2, 'r': 2, 'u': 2, 't': 1}

El histograma indica que las letras 'a' y" b "aparecen una vez; "O" aparece dos veces, y así sucesivamente.

Los diccionarios tienen un método llamado get que toma una clave y un valor predeterminado. Si la clave aparece en el diccionario, get devuelve el valor correspondiente; de lo contrario, devuelve el valor predeterminado. Por ejemplo:

Podemos usar get para escribir nuestro bucle de histograma de forma más concisa. Debido a que el método get maneja automáticamente el caso donde una clave no está en un diccionario, podemos reducir cuatro líneas a una y eliminar la instrucciónif.

word = 'brontosaurus'
d = dict()
for c in word:    
    d[c] = d.get(c,0) + 1
    print(d)

El uso del método get para simplificar este bucle de conteo termina siendo un" lenguaje "muy usado en Python y lo usaremos muchas veces en el resto del libro. Así que debes tomarte un momento y comparar el bucle usando la instrucción if y el operadorin con el bucle usando el método get. Hacen exactamente lo mismo, pero uno es más sucinto.

Diccionarios y archivos

Uno de los usos comunes de un diccionario es contar la aparición de palabras en un archivo con algún texto escrito. Comencemos con un archivo muy simple de palabras tomadas del texto de Romeo y Julieta .

Para el primer conjunto de ejemplos, usaremos una versión abreviada y simplificada del texto sin puntuación. Posteriormente trabajaremos con el texto de la escena con puntuación incluida.

But soft what light through yonder window breaksIt is the east and Juliet is the sunArise fair sun and kill the envious moonWho is already sick and pale with grief

Escribiremos un programa en Python para leer las líneas del archivo, dividir cada línea en una lista de palabras y luego recorrer cada una de las palabras en la línea y contar cada palabra con un diccionario.

Verás que tenemos dos bucles for. El bucle externo está leyendo las líneas del archivo y el bucle interno está iterando a través de cada una de las palabras en esa línea en particular. Este es un ejemplo de un patrón llamado bucles anidados porque uno de los bucles es el bucle externo y el otro bucle es el bucle interno .

Debido a que el bucle interno ejecuta todas sus iteraciones cada vez que el bucle externo realiza una única iteración, pensamos que el bucle interno se repite "más rápidamente" y el bucle externo se repite más lentamente.

La combinación de los dos bucles anidados asegura que contaremos cada palabra en cada línea del archivo de entrada.

Cuando ejecutamos el programa, vemos un volcado sin formato de todos los recuentos en orden hash sin clasificar. (El archivo romeo.txt está disponible en [www.py4e.com/code3/romeo.txt◆(http://www.py4e.com/code3/romeo.txt))

python count1.pyEnter the file name: romeo.txt{'and': 3, 'envious': 1, 'already': 1, 'fair': 1,'is': 3, 'through': 1, 'pale': 1, 'yonder': 1,'what': 1, 'sun': 2, 'Who': 1, 'But': 1, 'moon': 1,'window': 1, 'sick': 1, 'east': 1, 'breaks': 1,'grief': 1, 'with': 1, 'light': 1, 'It': 1, 'Arise': 1,'kill': 1, 'the': 3, 'soft': 1, 'Juliet': 1}

Es un poco incómodo mirar en el diccionario para encontrar las palabras más comunes y sus conteos, por lo que necesitamos agregar un poco más de código de Python para obtener el resultado que será más útil.

Bucles y diccionarios

Si usa un diccionario como la secuencia en una declaración for, atraviesa las claves del diccionario. Este bucle imprime cada clave y el valor correspondiente:

counts = { 'chuck' : 1 , 'annie' : 42, 'jan': 100}
for key in counts:
    print(key, counts[key])

Así es como se ve la salida:

jan 100
chuck 1
annie 42

Una vez más, las teclas no están en ningún orden en particular.

Podemos usar este patrón para implementar los diversos modismos de bucle que hemos descrito anteriormente. Por ejemplo, si quisiéramos encontrar todas las entradas en un diccionario con un valor superior a diez, podríamos escribir el siguiente código:

counts = { 'chuck' : 1 , 'annie' : 42, 'jan': 100}
for key in counts:
    if counts[key] > 10 :
            print(key, counts[key])

El bucle for recorre las teclas del diccionario, por lo que debemos usar el operador de índice para recuperar el valor ** correspondiente para cada tecla. Así es como se ve la salida:

jan 100
annie 42

Solo vemos las entradas con un valor superior a 10.

Si desea imprimir las claves en orden alfabético, primero haga una lista de las claves en el diccionario usando el método keys disponible en los objetos del diccionario, y luego ordene esa lista y recorra la lista ordenada, mirando cada tecla y imprimiendo pares clave-valor ordenados de la siguiente manera:

counts = { 'chuck' : 1 , 'annie' : 42, 'jan': 100}
lst = list(counts.keys())
print(lst)
lst.sort()
for key in lst:
    print(key, counts[key])

Así es como se ve la salida:

['jan', 'chuck', 'annie']
annie 42
chuck 1
jan 100

Primero ve la lista de claves en orden no clasificado que obtenemos del método keys. Luego vemos los pares clave-valor en orden desde el bucle for.

Análisis de texto avanzado

En el ejemplo anterior utilizando el archivo romeo.txt, hicimos el archivo lo más simple posible eliminando toda puntuación a mano. El texto real tiene mucha puntuación, como se muestra a continuación.

But, soft! what light through yonder window breaks?
It is the east, and Juliet is the sun.
Arise, fair sun, and kill the envious moon,
Who is already sick and pale with grief,

Dado que la función split de Python busca espacios y trata las palabras como símbolos separados por espacios, deberíamos tratar las palabras" suave ". y "suave" como diferentes palabras y cree una entrada de diccionario separada para cada palabra.

Además, dado que el archivo tiene mayúsculas, trataríamos "quién" y "Quién" como palabras diferentes con diferentes valores.

Podemos resolver ambos problemas utilizando los métodos de cadena lower,punctuation y translate. El traducir es el más sutil de los métodos. Aquí está la documentación para traducir:

line.translate (str.maketrans (fromstr, tostr, deletestr))

Reemplace los caracteres en fromstr con el carácter en la misma posición entostr y borre todos los caracteres que estén en deletestr. Fromstr ytostr pueden ser cadenas vacías y el parámetro deletestr se puede omitir.

No especificaremos la "tabla", pero usaremos el parámetro deletechars para eliminar toda la puntuación. Incluso dejaremos que Python nos diga la lista de caracteres que considera "puntuación":

>>> import string
>>> string.punctuation
'!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~'

Los parámetros utilizados por translate eran diferentes en Python 2.0.

Realizamos las siguientes modificaciones a nuestro programa:

Parte de aprender el "Arte de Python" o "Pensar de manera pytónica" es darse cuenta de que Python a menudo tiene capacidades integradas para muchos problemas comunes de análisis de datos. Con el tiempo, verá suficiente código de ejemplo y leerá suficiente documentación para saber dónde buscar para ver si alguien ya ha escrito algo que facilite mucho su trabajo.

La siguiente es una versión abreviada de la salida:

Enter the file name: romeo-full.txt
{'swearst': 1, 'all': 6, 'afeard': 1, 'leave': 2, 'these': 2,'kinsmen': 2, 'what': 11, 'thinkst': 1, 'love': 24, 'cloak': 1,a': 24, 'orchard': 2, 'light': 5, 'lovers': 2, 'romeo': 40,'maiden': 1, 'whiteupturned': 1, 'juliet': 32, 'gentleman': 1,'it': 22, 'leans': 1, 'canst': 1, 'having': 1, ...}

Mirar a través de esta salida aún es difícil de manejar y podemos usar Python para darnos exactamente lo que estamos buscando, pero para hacerlo, necesitamos aprender sobre las tuplas de Python . Retomaremos este ejemplo una vez que aprendamos sobre las tuplas.