使用clojure來獲取字符串向量中的獨特單詞集合的慣用方式

Question

我是一個clojure的完全新手，所以請原諒下面的愚蠢......但我試圖在空間上分割一個字符串矢量，然後從單個序列中獲取所有結果向量矢量中的所有唯一字符串（其中我對序列類型沒有挑剔）。這是我嘗試的代碼。

(require '[clojure.string :as str]) 
(require '[clojure.set :as set]) 
(def documents ["this is a cat" "this is a dog" "woof and a meow"]) 
(apply set/union (map #(str/split % #" ") documents)) 

我本來期望這回一組唯一字，即

#{"woof" "and" "a" "meow" "this" "is" "cat" "dog"} 

，而是它返回的非唯一字的載體，即

["woof" "and" "a" "meow" "this" "is" "a" "cat" "this" "is" "a" "dog"] 

最後，我只是在一個電話中包裝，即

(set (apply set/union (map #(str/split % #" ") documents))) 

，並得到了我想要的東西：

#{"dog" "this" "is" "a" "woof" "and" "meow" "cat"} 

，但我不明白爲什麼這應該是這樣的。根據docs聯合函數返回一個集合。那麼爲什麼我會得到一個向量？

第二個問題，另一種方法就是

(distinct (apply concat (map #(str/split % #" ") documents))) 

也返回我想要的東西，雖然以列表的形式，而不是設置形式。但是一些討論on this prior SO表明concat非常慢，可能比set操作（？）慢。

這是正確的...是否有任何其他理由更喜歡另一種方法（或某種第三種方法）？

我真的不在乎我是否得到一個向量或一組來自另一端的集合，但最終會關心性能方面的考慮。我試圖通過實際生成對我的文本挖掘習慣有用的東西來學習Clojure，因此最終這部分代碼將成爲工作流程的一部分，以便高效地處理大量文本數據......獲取它的時間現在是正確的，表現明智的，而且一般來說不是愚蠢的。

謝謝！

Answer 1

clojure.set/union在集合上操作，但您給它的序列，而不是（str/split的結果是一個字符串序列）。

(set (mapcat #(str/split % #" ") documents))應該給你你需要的東西。

mapcat會做一個懶惰的「映射和連接」操作。 set會將該序列轉換爲集合，隨着它的發展丟棄重複。