基于排序列表构建两个字典的Python代码续写求助

给定一个形如(string, id)的排序列表，需要生成两个字典：

• 第一个字典存储每个词在不同文档中的出现频率，格式为{term: [(id, term_frequency), ...]}，示例：{"car": [(1, 1), (2, 2)], "book": [(1, 1)], "banana": [(3, 1)]}
• 第二个字典统计每个词对应的唯一文档id数量，示例：{"car": 2, "book": 1, "banana": 1}

现有代码在字典更新逻辑上受阻，请求指导续写，现有代码如下：

input_list = [("car", 1), ("car", 2), ("car", 2), ("book", 1), ("banana", 3)]
def get_index(list):
    index = {}
    doc_freq = {}
    
    index = 0
    
    while(index < len(list)):
        (term, doc_id) = list[index]
        index[term] = [(doc_id, 1)]
    # 此处无法继续
    
    for(term, value) in index.items():
        doc_freq[term] = len(value)
        

    return index, doc_freq

修正后的代码与逻辑说明 #

现有代码的问题 #

1. 变量名冲突：index同时被用作字典和循环计数器，导致逻辑混乱
2. 未处理频率累加：每次循环都直接覆盖index[term]，没有对相同文档id的词频进行累加，也没有处理相同词不同文档的情况

修正后的完整代码 #

input_list = [("car", 1), ("car", 2), ("car", 2), ("book", 1), ("banana", 3)]
def get_index(input_list):
    index = {}
    doc_freq = {}
    
    i = 0
    while i < len(input_list):
        term, doc_id = input_list[i]
        
        if term not in index:
            # 词首次出现，初始化列表
            index[term] = [(doc_id, 1)]
        else:
            # 词已存在，检查最后一条记录的文档id是否匹配
            last_doc, last_count = index[term][-1]
            if last_doc == doc_id:
                # 同一文档，累加频率
                index[term][-1] = (last_doc, last_count + 1)
            else:
                # 不同文档，添加新条目
                index[term].append((doc_id, 1))
        i += 1
    
    # 生成文档频率字典
    for term, entries in index.items():
        doc_freq[term] = len(entries)
    
    return index, doc_freq

# 测试调用
term_index, doc_frequency = get_index(input_list)
print("词频索引：", term_index)
print("文档频率：", doc_frequency)

关键逻辑解释 #

1. 变量名修正：把循环计数器改为i，避免和存储索引的字典index冲突
2. 词频累加逻辑：
   • 当词首次出现时，直接在index中创建对应的列表，初始值为[(doc_id, 1)]
   • 当词已存在时，由于输入是排序列表，相同词的相同文档id会连续出现，因此只需检查列表最后一条记录的文档id：
     • 如果和当前id一致，就把该条目的频率加1
     • 如果不一致，说明是新的文档，添加新的(doc_id, 1)条目
3. 文档频率生成：直接取每个词对应的条目列表长度，就是该词对应的唯一文档id数量

运行后输出结果：

词频索引： {'car': [(1, 1), (2, 2)], 'book': [(1, 1)], 'banana': [(3, 1)]}
文档频率： {'car': 2, 'book': 1, 'banana': 1}

内容的提问来源于stack exchange，提问作者rusttree