当前位置:首页 > 文章列表 > 文章 > python教程 > Solving Word Cookies Puzzles: A Python Adventure

Solving Word Cookies Puzzles: A Python Adventure

来源:dev.to 2024-12-07 20:00:59 0浏览 收藏

学习文章要努力,但是不要急!今天的这篇文章《Solving Word Cookies Puzzles: A Python Adventure》将会介绍到等等知识点,如果你想深入学习文章,可以关注我!我会持续更新相关文章的,希望对大家都能有所帮助!

玩游戏是让大脑从一天的压力中放松下来的一种方式,或者只是从工作中休息一下。然而,有时,游戏本身就会带来压力,所以我认为“word cookies”就是这样,这是一款有趣的益智游戏,你会得到一组打乱的字母,并被要求解决其中包含的单词。

Solving Word Cookies Puzzles: A Python Adventure

随着我在游戏中的进展,解决问题变得越来越困难,几乎没有资源可以帮助我,我多次陷入困境。但是等一下,我用 python 编写代码,为什么我找不到出路呢?这就是 python 语言大放异彩的地方。

现在我如何使用python来解决混乱的问题。我需要一种方法来检查乱序字母中的单词,我将实现分解为简单的步骤。

计划:

  1. 获取单词词典来检查打乱的字母。
  2. 创建一个仅包含 n 个字母单词的 csv,在本例中我创建了一个包含 3 个字母单词到 7 个字母单词的 csv
  3. 检查 csv 中的某个单词是否其所有字母都包含在打乱的字母中
  4. 将其保存到自己的单词数列表中,例如,如果一个单词是“age”,那么它将保存到 3 个字母的单词列表中,依此类推。
  5. 显示结果

让我们开始工作吧:

首先,我在网上搜索并找到了一本可以下载 csv 格式的字典,并将其分成包含每个字母的单独 csv 文件。它看起来像这样:

Solving Word Cookies Puzzles: A Python Adventure

接下来,我有一个 python 代码来从 a-z 检查 csv,并挑选出 3 个字母的单词,并省略带有空格和其他不可用格式的单词。这是同时对 4、5、6 和 7 个字母的单词进行的。

它看起来像这样:

import os
import csv
import re
import pandas as pd

# define folder paths
input_folder = 'c:\\users\\zenbook\\desktop\\word lists in csv'
output_folder = 'c:\\users\\zenbook\\desktop\\word list output'


# function to find words of specific lengths in text
def find_words_of_length(text, length):
    words = re.findall(r'\b\w+\b', text)
    return [word for word in words if len(word) == length]


# initialize dictionaries to store words of each length
words_by_length = {3: set(), 4: set(), 5: set(), 6: set(), 7: set()}

# loop through all csv files in the input folder
for filename in os.listdir(input_folder):
    if filename.endswith('.csv'):
        filepath = os.path.join(input_folder, filename)

        # read each csv file with a fallback encoding
        with open(filepath, 'r', encoding='iso-8859-1') as file:
            reader = csv.reader(file)
            for row in reader:
                # loop through each cell in the row
                for cell in row:
                    for length in words_by_length.keys():
                        words = find_words_of_length(cell, length)
                        words_by_length[length].update(words)

# save words of each length to separate csv files
for length, words in words_by_length.items():
    output_file = os.path.join(output_folder, f'{length}_letters.csv')
    with open(output_file, 'w', newline='', encoding='utf-8') as file:
        writer = csv.writer(file)
        for word in sorted(words):  # sort words for neatness
            writer.writerow([word])

print("words have been saved to separate csv files based on their length.")


这是我指定的输出文件夹中的结果:

Solving Word Cookies Puzzles: A Python Adventure

现在有了这个输出文件夹,我只需检查其中的单词,看看它们是否包含在打乱的字母中。这是执行此操作的代码:

import csv

# Define the string to check against
check_string = 'langaur'

# Define the folder path for CSV files
input_folder = 'C:\\Users\\Zenbook\\Desktop\\Word list output'


# Function to check if all letters in word can be found in check_string
def is_word_in_string(word, check_string):
    # Check if each letter in the word is in the string
    for letter in word:
        if word.count(letter) > check_string.count(letter):
            return False
    return True


# Check words for 3, 4, 5, 6 and 7-letter CSVs
for length in [3, 4, 5, 6, 7]:
    input_file = f'{input_folder}/{length}_letters.csv'
    print(f"\nLength {length}:")

    with open(input_file, 'r', encoding='utf-8') as file:
        reader = csv.reader(file)
        found_words = []

        for row in reader:
            word = row[0].strip()  # Remove any extra whitespace
            if is_word_in_string(word, check_string):
                found_words.append(word)

        # Print all found words for the given length
        for i in found_words:
            print(i)

快速细分:

我们从前面的代码中获取输出文件夹,并将其用作上面实际解决方案代码中的输入文件夹。该解决方案的优点在于函数“is_word_in_string”的简单性。我们不必检查打乱的单词中是否包含单个字母,因为这将是为出现多次的字母编写的额外逻辑。

我们只需要检查字典单词中的每个字母是否小于或等于它在打乱单词中出现的次数,然后我们就可以确认字典单词的每个字母是否确实存在在打乱的信件中。

让我们看看代码的实际效果:

Solving Word Cookies Puzzles: A Python Adventure

万岁!现在,当我陷入困境时,我有办法继续前进。它不仅仅是总是欺骗系统,这没有什么乐趣,但是当我真正需要它时,这个解算器就会派上用场。我还可以获得尽可能多的额外单词,这样我就可以填满那个罐子并获得一些很棒的资源。

就是这样。 python 是一种多功能语言,可以自动化快速完成任务。您可以简单地在日常活动中使用它,例如这样的,或者复杂的工作任务,甚至更高级的工作,例如机器学习。找到一个今天要处理的 python 项目。干杯。

嘿,我的名字是 ifedolapo,我是一名前端开发人员和 python 程序员(顺便说一下,我也进行设计)。您可以通过 portfolio 网站了解更多关于我

感谢您浏览这篇文章。

文中关于的知识介绍,希望对你的学习有所帮助!若是受益匪浅,那就动动鼠标收藏这篇《Solving Word Cookies Puzzles: A Python Adventure》文章吧,也可关注golang学习网公众号了解相关技术文章。

版本声明
本文转载于:dev.to 如有侵犯,请联系study_golang@163.com删除
使用 Python 与 Gmail POPerver 对话使用 Python 与 Gmail POPerver 对话
上一篇
使用 Python 与 Gmail POPerver 对话
PHP-FPM CPU占用率过高如何优化?
下一篇
PHP-FPM CPU占用率过高如何优化?
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    510次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    570次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    595次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    547次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    364次使用