Python正则匹配美元符号前后5个单词及词频统计方案问询

嘿，我来帮你搞定这个需求！你需要匹配$金额前后各5个单词，然后统计它们的出现频次，这里有两种实用的方法，分别适合不同场景：

方法一：正则表达式实现 #

如果你的文本格式比较规整（单词都是纯字母、标点和单词明显分离），可以用正则快速实现。核心思路是先定位$金额，再提取前后的单词：

import re
from collections import Counter

string = 'I have a sentence with $10.00 within it and this sentence is done. '

# 定义匹配金额及前后单词的正则
pattern = re.compile(r'(?:\b[a-zA-Z]+\b\s+){0,5}\$\d+(?:\.\d+)?\s+(?:\b[a-zA-Z]+\b\s?){0,5}')
match_result = pattern.search(string)

# 拆分前后部分，提取单词并截取目标数量
if match_result:
    # 拆分出$符号前后的文本
    before_part, after_part = match_result.group().split('$')
    # 提取前面最后5个单词
    preceding_words = re.findall(r'\b[a-zA-Z]+\b', before_part)[-5:]
    # 提取后面前5个单词
    following_words = re.findall(r'\b[a-zA-Z]+\b', after_part)[:5]
    # 合并结果
    surrounding = preceding_words + following_words
    print("匹配到的前后单词：", surrounding)
    
    # 统计频次并保持原顺序
    final_return = sorted(Counter(surrounding).items(), key=lambda x: surrounding.index(x[0]))
    print("统计结果：", final_return)

正则说明： #

• \b[a-zA-Z]+\b：匹配一个纯字母组成的单词（\b是单词边界，避免匹配单词片段）
• (?:\b[a-zA-Z]+\b\s+){0,5}：匹配0到5个单词（非捕获组，避免多余分组）
• \$\d+(?:\.\d+)?：匹配美元金额（支持整数如$10或小数如$10.00）

方法二：NLTK分词器实现（更稳健） #

如果你的文本是真实场景下的复杂文本（比如包含缩写、连字符单词、不规则标点），用NLTK的分词器会更可靠，因为它专门处理自然语言的分词逻辑：

步骤： #

1. 先安装NLTK并下载分词模型（第一次运行需要）
2. 对整个字符串分词
3. 定位所有包含$的token位置
4. 提取该位置前后各5个单词
5. 过滤非单词token并统计频次

import nltk
from collections import Counter

# 下载分词所需的punkt模型（第一次运行执行）
nltk.download('punkt')

string = 'I have a sentence with $10.00 within it and this sentence is done. '

# 对字符串进行分词
tokens = nltk.word_tokenize(string)

# 找到所有包含$符号的token的索引
dollar_positions = [idx for idx, token in enumerate(tokens) if '$' in token]

surrounding = []
for pos in dollar_positions:
    # 提取当前位置前5个单词（处理边界情况，避免索引越界）
    preceding_tokens = tokens[max(0, pos - 5):pos]
    # 提取当前位置后5个单词
    following_tokens = tokens[pos + 1:pos + 6]
    # 合并到结果列表
    surrounding.extend(preceding_tokens + following_tokens)

# 过滤掉非字母的token（比如标点符号）
surrounding = [token for token in surrounding if token.isalpha()]
print("匹配到的前后单词：", surrounding)

# 统计频次并保持原出现顺序
final_return = sorted(Counter(surrounding).items(), key=lambda x: surrounding.index(x[0]))
print("统计结果：", final_return)

优势： #

• NLTK的word_tokenize能正确处理复杂场景，比如把don't拆成do和n't，把带标点的单词和标点分离（你可以根据需求调整过滤规则）
• 自动处理边界情况（比如$在字符串开头时，前5个单词不足5个，不会报错）

两种方法对比 #

• 正则法：代码简洁，适合简单规整的文本，执行速度快
• NLTK法：更稳健，适合真实世界的复杂文本，处理边缘情况更靠谱

内容的提问来源于stack exchange，提问作者JRR