字符串列表中每个字符串字符的词频

如何解决字符串列表中每个字符串字符的词频

这里的新手程序员。我正在尝试创建配体 SMILES 字符串（一种化学符号）的词频向量化。这与常规 NLP tf 向量化不同，因为我需要字符串中每个符号的计数，而不是每个单词的计数，而且我很挣扎。

为了清楚起见，我在这里使用了一个非常小的数据集示例。

Original = ['CC(C1=NCCN1)OC2=C(C=CC=C2Cl)Cl','CC(C1=NCCN1)OC2=CC=CC=C2Cl','CC1=C(C(=O)N2C=C(C=CC2=N1)Cl)CCN3CCC4=C(C3)C5=CC=CC=C5O4','C1CN=C(N1)NC2=C(C3=NC=CN=C3C=C2)Br','CC1=C(C(=O)N2C=C(C=CC2=N1)Br)CCN3CCC4=C(C3)C5=CC=CC=C5O4']
New = []
for ligand in Original:
    new = ligand.replace('Cl','D').replace('Br','E')
    New.append(new)

如果元素长度超过 2 个字符，此代码将替换元素符号。我知道这不是最好的方法，但我现在并不担心。

alphabet = set()
for ligand in New:
    for char in ligand:
        alphabet.add(char)
Alphabet = list(alphabet)

这将创建数据中存在的所有符号的非重复列表 - 这最终将等于向量的维度

for ligand in New:
    for letter in ligand:
        letter_count = [letter.count(letter) for letter in Alphabet]
    print(str(list(zip(New,letter_count))))

这不起作用。它返回计数为 1 的每个完整字符串。我需要查看每个字符串中每个符号的计数。例如，第一个化合物具有 11 C、2 (,4 =,2 ) 和 2 D (Cl)。每种化合物等。

感谢您的帮助！