源碼請到：自然語言處理練習: 學習自然語言處理時候寫的一些代碼 (gitee.com)

數據來源：norvig.com/big.txt

貝葉斯原理可看這裡：機器學習演算法學習筆記 - 過客匆匆，沉沉浮浮 - 博客園 (cnblogs.com)

一、數據預處理

將輸入的數據全部變為小寫方便後續處理

def words(text):
    return re.findall('[a-z]+', text.lower())

二、根據語料庫統計不同單詞出現的詞頻

單詞字典每個單詞詞頻預設為1，因為如果單詞字典預設值為為0，那麼出現了語料庫中沒有的單詞，就會預設概率為0，導致新的單詞無法被識別

def train(features):
    model = collections.defaultdict(lambda: 1)  # 如果預設為0則出現語料庫中沒有的新詞會不識別，所以預設為1
    for f in features:
        model[f] += 1
    return model

三、打開語料庫與構建字母表

NWORDS = train(words(open('data/big.txt').read()))
alphabet = 'abcdefghijklmnopqrstuvwxyz'

四、返回編輯距離為1的單詞

單詞a經過n次修改可以得到新的單詞b，那我們叫b為a的編輯距離為1的單詞，下麵函數就返回編輯距離為1的單詞

# 返回編輯距離為1的單詞
def editsl(word):
    n = len(word)
    return set([word[0:i] + word[i + 1:] for i in range(n)] +  # 字母打多了一個
               [word[0:i] + word[i + 1] + word[i] + word[i + 2:] for i in range(n - 1)] +  # 字母打反了一個
               [word[0:i] + c + word[i + 1:] for i in range(n) for c in alphabet] +  # 字母打錯了一個
               [word[0:i] + c + word[i:] for i in range(n + 1) for c in alphabet])  # 字母打少了一個

五、返回編輯距離為2的單詞

# 考慮編輯距離為2的單詞
def known_edits2(word):
    return set(e2 for e1 in editsl(word) for e2 in editsl(e1) if e2 in NWORDS)

六、判斷單詞是否在語料庫中

def known(words):
    return set(w for w in words if w in NWORDS)

七、糾正拼寫錯誤的單詞

優先考慮原單詞a是否在語料庫中，如果存在就返回原單詞，不存在就考慮編輯距離為1的單詞，返回使用頻率最高的那個如果編輯距離為1的單詞也不在語料庫中，那麼就考慮編輯距離為2的單詞，同樣，如果編輯距離為2的單詞都不在語料庫中，那麼這可能是一個新的單詞，直接返回單詞本身

def correct(word):
    candidates = known([word]) or known(editsl(word)) or known_edits2(word) or [word]
    return max(candidates, key=lambda w: NWORDS[w])

八、測試結果

print(correct('appl'))
print(correct('appla'))
print(correct('learw'))
print(correct('tess'))
print(correct('morw'))