如何统计指定词表在数据集观测文本中的出现次数（含小写/标点处理）

Python的str.count()方法仅支持传入1个待匹配的子串参数，你一次性传入10个词汇不符合语法要求，因此触发了参数数量不匹配的报错。

实现逻辑：先将目标词表转为集合提升查找效率，再对每条文本统一做转小写、去标点的清洗操作，最后逐词判断是否属于目标词表累加计数即可。

import string

# 目标词表转集合，去重同时将查找效率提升至O(1)
target_words = set(['model','language','models','task', 'data', 'paper', 'results', 'information', 'text','performance'])
# 观测数据集示例
column = ['The models are showing a great performance.',
'The information and therefor the data in the text are good enough to fulfill the task.',
'Data in this way results in the best information and thus performance.']

count_list = []
# 生成标点删除映射表，高效去除所有标点符号
punc_remove_table = str.maketrans('', '', string.punctuation)

for sentence in column:
    # 先转小写，再删除所有标点
    clean_sentence = sentence.lower().translate(punc_remove_table)
    current_count = 0
    for word in clean_sentence.split():
        if word in target_words:
            current_count += 1
    count_list.append(current_count)

# 转换为要求的元组输出格式
output = tuple(count_list)
print(output)

运行后输出结果为(2, 4, 4)，完全符合预期要求。

内容的提问来源于stack exchange，提问作者Paul Engelbert