新技能Get！用 Python 高效背单词

本文转载自微信公众号「Python中文社区」，新技效背作者巩庆奎。单词转载本文请联系Python中文社区公众号。新技效背

背景

作为一个程序员，单词经常需要阅读英文论文、新技效背文档、单词书籍。新技效背对于一些基础不好的单词同学来说，最主要的新技效背拦路虎是英语单词。计算机类文档不同于小说，单词其语法、新技效背句式都比较简单，单词可以说只要词汇量有了，新技效背阅读就很简单。单词

如果能在平时提高词汇量，新技效背那是最好不过了。鸡汤警告!你必须暗自努力，然后惊艳所有人!这句话打在这里没毛病吧，老铁。但无所侧重地背普通英语字典，恐怕效率并不高。不提前学习单词，直接上手阅读，遇到生词再查，效率也提升不起来。

这里介绍一个针对专业文档背单词的方法：把当前文档的所有单词，建立一个专属字典，先背诵这个字典，服务器托管再去看书，一定能一目十行。

思路

总体思路是文件分词统计，查找字典，生成新字典。

首先，有一个需要阅读的英文文档，给它分词，按照单词频率排序; 找一个已掌握的英语词汇表(四六级或考研等)，把上文中的单词和本词汇表重复的项删除; 再找一个词汇量大的字典，在其中查找对应解释; 把结果存储到一个字典文件中。

得到的字典，就是这本书的专属字典了。业余背这个字典，相当于掌握了计算机专业英语。这个方法也适用于机械、电子等等任何专业英语的地方。

实现

下面，以 Python 神作《Fluent Python》为例，用 Python 自带的库实现分词、统计功能。首先看下它的站群服务器内容梗概。

Fluent Python  CLEAR, CONCISE, AND EFFECTIVE PROGRAMMING Luciano Ramalho ...... 

分词

首先来分词。

from collections import Counter import re ct2 = Counter() patt = re.compile(r\w+) with open(f1.txt,r,encoding=utf-8) as f:     for l in f.readlines():         ws = (n.lower() for n in patt.findall(l))         ct2.update(ws) 

以上代码中，导入了 Counter 和 re 模块。

Counter 负责统计单词词频，re 正则表达式分割英语单词。得到结果 ct2 中是所有单词的词频。

下面，把它保存下来。

with open(result_f1.txt,w,encoding=utf-8) as f:     f.write(.join((%s %s\n%(a,b) for a,b in ct2.most_common())))  

现在，result_f1.txt 中存储的是这本书出现的单词，而且是按照词频排序的，如下。

the 12414 a 5639 of 4900 in 4837 to 4689 is 3848 ...... 

和预想得很像，排名靠前的基本是介词等常用词。

另外，比较有意思的数据是，《Fluent Python》共使用词汇 9118 个，其中出现一次的单词有 3168 个。出现频次最高的 the 达到 12000 次。源码库它的分布图如下。

载入字典

下载一个比较全的字典，十万个单词。载入内存，存储在字典数据变量 dicts 中。

这是 dict 结构第一次真正存储字典!  dicts = dict() with open(103976.txt,r,encoding=gbk) as f:     for l in f.readlines():         k = l[0:l.find(\t)]         v = l[l.find(\t)+1:]         dicts.update({k:v}) 

删除认识的单词

字典当中大量的 the a is，相当挑战我们的容忍度，这让旁人看了，还以为我们小学没毕业呢。去掉去掉……

众所周知，我们采用了小学二年级就掌握的 postgrade.txt 英文字典。

postgrade.txt 同学们肯定耳熟能详。神奇的是第一个单词。abandon vt.离弃，丢弃;遗弃，抛弃;放弃  with open(postgrade.txt,r,encoding=utf-8) as f:     f.readline()     for l in f.readlines():         k = l[:l.find( )]         try:             del dicts[k]         except KeyError as e:             pass 

现在，字典 dicts 中，仅仅剩下所我们不认识的，103976 - 5000 = 98976 个单词了。

生成新字典

以词频单词来查找单词表，再把单词和释义存到新单词表中，就得到新单词表了。

with open(f1_res.txt,w,encoding=utf-8) as wf,open(result_f1.txt,r,encoding=utf-8)as f:     for l in f.readlines():         k = l[:l.find( )]         v = dicts.get(k,None)         if v:             wf.write(%s %s%(k,v)) wf.close() 

这里第一句，两个 with 可以写到一句话里。这样代码看起来比较和谐。

查字典方法，使用v = dicts.get(k,None)，这样查不着的单词，返回 None，写入新字典时判断这个值，就可以了。

总结

除此处介绍的生生单个文档字典外，还可多拿几个领域专业文档，提取它们的常用单词，然后生成专属字典，这字典，相当于相关领域的专业英语字典。

这里使用 Python 自带库写程序，效率可能不高。如果需要，可以使用 pandas 之类的库来实现，提高效率。

作者：巩庆奎，大奎，对计算机、电子信息工程感兴趣。