حل‌کردن بازی Wordle و واجور با پایتون

من علاقه زیادی به حل کردن پازل دارم. مخصوصاً پازل کلمات و کلاً هر بازی دیگه‌ای که با متن و کلمه سر و کار داره. اما همیشه یک مشکلی دارم. اونم اینه که حافظه‌ام خیلی وقتا یاری نمی‌کنه و کلمات یادم نمیاد. چند روز پیش دستم خورد و از بوک‌مارک‌های مرورگر، بازی واجور باز شد. خیلی وقت بود بازی نکرده بودم. چندتا از پازل‌هاشو حل کردم ولی خیلی طول می‌کشید تا کلمات یادم بیاد و معمولاً از ۶ حدس رد می‌شد. رفتم سراغ بازی نسخه اصلی یا همون Wordle. این بازی در اوایل انتشارش خیلی معروف شد و خیلی از افراد بطور روزانه اونو بازی می‌کردن و توی سوشال مدیا مراحلشون رو به اشتراک می‌ذاشتن.

با توجه به مطالعات اخیرم در حوزه هوش مصنوعی مخصوصاً زیرشاخه پردازش زبان طبیعی‌ (NLP)، به فکرم زد این چالش رو در قالب یک مسئله NLP حل کنم. البته بیشتر یک مسئله از نوع علوم داده و آمار است. با این حال این کار رو انجام دادم و خواستم که مراحل انجامش رو بنویسم. تا برای افرادی که تازه وارد این حوزه شدن، یک تمرین فان باشه. یا حتی برای افراد کم حافظه‌ای مثل خودم یک ابزار خوب باشه 🙂

بازی Wordle چیه؟

در این بازی شما باید یک کلمه ۵ حرفی رو حدس بزنید. و فقط ۶بار فرصت دارید تا کلمه مد نظر رو پیدا کنید. بازی با وارد کردن هر کلمه، به شما راهنمایی می‌کنه که چه حروفی از اون کلمه درست هستن و چه حروفی نه.

مثلا بعنوان حدس اول. من کلمه APPLE رو وارد کردم. حروفی که به رنگ زرد درآمدند، در کلمه اصلی وجود دارند اما در جایگاه دیگر. حروفی که سبز هستند، در کلمه وجود دارند و جایگاهشونم درسته. اما حروف خاکستری در کلمه وجود ندارند و نباید در حدس‌های بعدی استفاده بشن. حالا با دیدن این راهنمایی. من باید دنبال کلمه ۵ حرفی باشم که حرف سومش p باشه و شامل حروف a، p و l هم باشه.

چطوری شانس برد رو زیاد کنیم؟

بطور کلی چندتا نکته باید رعایت بشه:

• هیچوقت از حروف حذف شده (خاکستری) مجدداً استفاده نکنیم.
• هیچوقت حرفی که می‌دونیم در یک جایگاه نیست (خانه زرد) رو در اون جایگاه استفاده نکنیم.
• همیشه قالب کلی کلمه رو با توجه به جایگاه‌های درست (خانه‌های سبز) در نظر بگیریم و بعد جایگاه‌های خالی رو پر کنیم.

اما چندتا نکته مهم دیگه هست که باعث می‌شه در قدم‌های اول دید بهتری نسبت به کلمه جواب پیدا کنیم:

• با کلمه‌ای شروع کنیم که مرسوم‌ترین حروف الفبارو داشته باشه. معمولاً بهتره شامل دو یا بیشتر حروف صدادار باشه. مثل SERAI.
• از کلماتی که عموماً پرتکرار هستن استفاده کنیم.

با پایتون حلش کنیم

بیاید برنامه‌ای بنویسیم که نکات بالارو برامون رعایت کنه و از تمام کلمات موجود انگلیسی یا فارسی برامون محتمل‌ترین کلمات رو انتخاب کنه. حالا ما می‌تونیم راحت‌تر پازل رو حل کنیم. در این پروژه از کتابخانه Pandas برای ساخت و مدیریت دیتاست استفاده شده.

آماده‌سازی دیتاست

انتظار ندارید که پایتون کلمات رو خلق کنه؟ 🙂 خب معلومه که باید کلمات رو بهش بدیم و اون هم داخلشون جستجو کنه. مثل کاری که ما توی ذهنمون می‌کنیم.

کلمات پرتکرار

در قدم‌های اول بازی که ممکنه دید کاملی نسبت به کلمه نداشته باشیم، حالت‌های خیلی زیادی برای انتخاب کلمه وجود داره. یا حتی اگر گاهی بین انتخاب چند کلمه محدود شک داشتیم، می‌تونیم از کلمه‌ای که مرسوم‌تر و پرتکرارتره استفاده کنیم. برای اینکه بدونیم کدوم کلمه پرتکراره. نیاز به تهییه یک دیتاست داریم. کاری که من کردم پیدا کردن فهرستی از کلمات با معنی و دیتای صفحات ویکی‌پدیا بود. و تنها کاری که کردم این بود که تعداد تکرار هر کلمه از دیکشنری رو در متنون صفحات ویکی‌پدیا بشمارم و نتیجه رو در یک دیتاست ذخیره کنم.

import pandas as pd

wikipedia = pd.read_csv("datasets/en-wikipedia.csv") # should include content of each page
words = pd.read_csv("datasets/en-words.csv") # should include unique meaningful words

words_count = {w: 0 for w in words["word"]}

for content in wikipedia["content"]:
    for word in content.split():
        if (w := word.strip()) in words_count:
            words_count[w] += 1

df = pd.DataFrame({"word": words_count.keys(), "count": words_count.values()})
df.to_csv("english_unigram_freq.csv", index=False)

from collections import defaultdict

import pandas as pd

dataset_path = "datasets/english_unigram_freq.csv"
word_length = 5
output_path = "datasets/5_letter_scored_english_words.csv"

words = pd.read_csv(dataset_path) # Dataset should have at least 'word' column.
words["word"] = words["word"].str.lower()

# Count common letters in all words.
letters = defaultdict(int)
for word in words["word"]:
    for letter in str(word):
        letters[letter] += 1

words["score"] = words["word"].map(lambda w: sum(letters[l] for l in set(str(w))))

words = words[words["word"].str.len() == word_length]

words.to_csv(output_path, index=False)

words_df.sort_values("score", ascending=False).head(5)

words.sort_values(by="score", ascending=False).head(5).sort_values(by="count", ascending=False)

incorrect_positions = defaultdict(set)
correct_letters = set()
incorrect_letters = set()
word_pattern = ["\w", "\w", "\w", "\w", "\w"]

pattern = re.compile("".join(word_pattern))


filter_func = lambda w: all(l in w for l in correct_letters) \
    and not any(l in w for l in incorrect_letters) \
    and not any(w.index(l) in incorrect_positions[l] for l in w)


candidates = words_df[words_df.index.str.match(pattern) & words_df.index.map(filter_func)]
candidate_words = candidates.sort_values("count", ascending=False).head(5) \
    .sort_values("score", ascending=False).index.to_list()

Pattern: \w\wp\w\w
Correct Letters: {'l', 'p', 'a'}
Incorrect Letters: {'e'}
Incorrect Positions: {'a': {0}, 'p': {1}, 'l': {3}}