質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

88.58%

txtファイル内の単語をカウントするプログラム

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 1,966

rrrrrrrry

score 20

 前提・実現したいこと

テキストファイルから指定した品詞を頻出順に抽出したいです.
プログラムの条件分のところで以下のエラーが出たのですが対処法がわかりません. 
ご指摘いただきたいです.

なお, 参考にしたサイトでは名詞のみでしたが, 対象追加として動詞, 形容詞, 形容動詞も同時に処理したいと思っています.

 発生している問題・エラーメッセージ

Traceback (most recent call last):
  File "count.py", line 21, in <module>
    for item in items
  File "count.py", line 23, in <listcomp>
    item[1] == '名詞' or item[2] == '動詞' or item[3] == '形容詞' or item[4] == '形容動詞' and item[5] == '一般')]
IndexError: list index out of range

 該当のソースコード

import MeCab
import sys
import re
from collections import Counter

# ファイル読み込み
cmd, infile = sys.argv
with open(infile) as f:
    data = f.read()

# パース
mecab = MeCab.Tagger()
parse = mecab.parse(data)
lines = parse.split('\n')
items = (re.split('[\t,]', line) for line in lines)



# 名詞をリストに格納
words = [item[0]
         for item in items
         if (item[0] not in ('EOS', '', 't', 'ー') and
             item[1] == '名詞' or item[2] == '動詞' or item[3] == '形容詞' or item[4] == '形容動詞' and item[5] == '一般')]

# 頻度順に出力
counter = Counter(words)
for word, count in counter.most_common():
    print("{word}: {count}")

 試したこと

orにて処理を試みたがうまくいきませんでした.

 補足情報(FW/ツールのバージョンなど)

参考文献
【Python3】MeCabでテキストファイルから名詞を頻出順に抽出
https://qiita.com/reima21/items/cb73aeb569af48877261

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

質問への追記・修正、ベストアンサー選択の依頼

  • rrrrrrrry

    2018/12/03 11:23

    そうです.

    キャンセル

  • can110

    2018/12/03 11:31

    エラーが再現できません。wordsが空のまま正常終了します。「items = (re.split」の次行に「print(list(items))」で表示される結果を追記くださると回答得られやすいと思います。

    キャンセル

  • rrrrrrrry

    2018/12/03 11:40

    [['りん', '副詞', '助詞類接続', '*', '*', '*', '*', 'りん', 'リン', 'リン'], ['ご', '接頭詞', '名詞接続', '*', '*', '*', '*', 'ご', 'ゴ', 'ゴ'], ['みかん', '名詞', '一般', '*', '*', '*', '*', 'みかん', 'ミカン', 'ミカン'], ['りんご', '名詞', '一般', '*', '*', '*', '*', 'りんご', 'リンゴ', 'リンゴ'], ['みかん', '名詞', '一般', '*', '*', '*', '*', 'みかん', 'ミカン', 'ミカン'], ['りんご', '名詞', '一般', '*', '*', '*', '*', 'りんご', 'リンゴ', 'リンゴ'], ['ぶどう', '名詞', '一般', '*', '*', '*', '*', 'ぶどう', 'ブドウ', 'ブドー'], ['EOS'], ['']]のような結果です.

    キャンセル

回答 2

checkベストアンサー

+1

itemsの要素数が、あなたが期待しているより小さい行があると言う事なので、データを確認しましょう。

補足を見ての追記

条件部分がおかしかったです。データを見ると、おそらくこれが意図するところでしょう。

# 名詞をリストに格納
words = [item[0]
         for item in items
         if  item[0] not in ('EOS', '', 't', 'ー') and
             item[1] in ('名詞', '動詞','形容詞','形容動詞') and 
             item[2] == '一般']

あと、ここも、fが抜けてます。

    print(f"{word}: {count}")

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2018/12/03 11:34

    「item[2]からitem[4](私がor文で追加した部分)」の説明と
    質問のソース「~or item[2] == '動詞' or item[2] == '形容詞' or item[2] == '形容動詞'~」
    が合っていません。どちらが間違っていますか?

    キャンセル

  • 2018/12/03 11:37

    ソースです. ソースは訂正いたします.

    キャンセル

  • 2018/12/03 12:33

    item[0]がEOS等の時は、item[1]以降は存在しないので、それらの存在を仮定するコードは駄目です。
    回答に追記しておきます。

    キャンセル

+1

['EOS']時にitem[2]にアクセスして提示エラーが発生しています。

    if (item[0] not in ('EOS', '', 't', 'ー') and 
        item[1] == '名詞' or item[2] == '動詞' or item[3] == '形容詞' or item[4] == '形容動詞' and item[5] == '一般'):


において、item[0] not in ('EOS', '', 't', 'ー') and item[1] == '名詞'部分は偽と判定されますが、orで続くため、それに続くitem[2] == ~も解釈されています。

以下のように演算順序を正すとエラー発生しなくなります。

         if (item[0] not in ('EOS', '', 't', 'ー') and
             (item[1] == '名詞' or item[2] == '動詞' or item[3] == '形容詞' or item[4] == '形容動詞' and item[5] == '一般'))]


この条件判定部分、複雑になりデバッグしにくくなっているので、通常のforループに変えたほうがよいかと思います。

ちなみに最後のprint("{word}: {count}")も意図した結果にならないはずなので適切に修正が必要です。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 88.58%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る