excel表格基于某条件进行求和的教程
880
2022-05-29
文章目录
一、TF-IDF回顾
二、PySpark注意事项
三、具体代码
四、结果分析
一、TF-IDF回顾
TF-IDF(Term Frequency/Inverse Document Frequency,词频-逆文档频率)算法,可以找出文档中的关键词,
顾名思义,TF-IDF 分数由两部分组成:
第一部分是TF词语频率(Term Frequency),
第二部分是IDF逆文档频率(Inverse Document Frequency)。
其中计算语料库中文档总数除以含有该词语的文档数量,然后再取对数就是逆文档频率。
TF(t)= 该词语在当前文档出现的次数 / 当前文档中词语的总数
IDF(t)= log_e(文档总数 / 出现该词语的文档总数)即:
I D F ( x ) = log N N ( x ) I D F(x)=\log \frac{N}{N(x)} IDF(x)=logN(x)N
IDF反应了一个词在所有文本中出现的频率,如果一个词在很多的文本中出现,那么它的IDF值应该低,比如I come to China to travel中的“to”。而反过来如果一个词在比较少的文本中出现,那么它的IDF值应该高。一个极端的情况,如果一个词在所有的文本中都出现,那么它的IDF值应该为0。
二、Pyspark注意事项
如果之前跑过数据,需要删除缓存中的rdd数据再跑:normalized_document_tfidf_rdd.unpersist()。
三、具体代码
from pyspark import SparkConf, SparkContext import math #以下为计算过程中需要用到的几个函数 # 该函数主要是统计一个文档中包含哪些单词 def word_contains(words_list): words_set=set(words_list)#将列表转为set,去除重复的单词 return list(words_set)#再将set转为列表返回 # 计算每个单词的逆文档频率idf def computeIDF(word_df_tuple,num_document): word=word_df_tuple[0] df=word_df_tuple[1] #根据逆文档频率计算公式计算idf值 word_idf = math.log(float(num_document+1) / float(df+1), 2) return (word, word_idf)#以一个元组tuple的形式返回一个单词的dif值 # 计算每个文档中单词的tf值,并将文档转成向量 def computeTF(words_list, all_words_list): words_num=len(words_list)#获取文档中出现的单词的个数 words_dic={} for word in words_list:#统计文档中每个单词出现的次数 if word in words_dic.keys(): words_dic[word]+=1 else: words_dic[word]=1 tf_vector=[] for word in all_words_list:#将文档转为一个tf值向量并返回 if word in words_dic.keys(): tf=float(words_dic[word])/words_num tf_vector.append(tf) else: tf_vector.append(0) return tf_vector # 计算每个文档向量中每个单词的tfidf值 def computeTFIDF(tf_vector, words_idf_dic,all_words_list): i=0 tfidf_vector=[] for word in all_words_list:#将每个单词的tf值和idf值相乘 tfidf=tf_vector[i]*words_idf_dic[word] tfidf_vector.append(tfidf) i+=1 return tfidf_vector # 对每个tfidf向量进行归一化 def nomoralize(tfidf_vector): new_vector=[] sum=0 for item in tfidf_vector: sum+=math.pow(item,2) sqrt_sum=math.sqrt(sum) for item in tfidf_vector: new_item=item/sqrt_sum new_vector.append(new_item) return new_vector #主程序 if __name__ == "__main__": #conf = SparkConf().setAppName("tfidf") #sc = SparkContext(conf=conf) # 删除缓存中的rdd数据 # normalized_document_tfidf_rdd.unpersist() #示例文档数据,每个文档是一个单词列表 documents_list=[["hello","world","china","good","spark","good"], ["hello","china","china","great","love","china"], ["love","spark","spark","good","hello","spark"]] #documents_list=[["hello","friends","today","is","my","holiday"], # ["hello","china","china","great","love","china"], # ["love","spark","spark","good","hello","spark"]] #创建RDD并进行缓存 tokenized_document_rdd=sc.parallelize(documents_list).cache() print ("*************************** compute idf************************************") #这个阶段的主要操作是计算单词的idf值 #获取文档的个数用来计算逆文档频率 num_document=tokenized_document_rdd.count() #计算每个单词的文档支持度 #实现思路是,针对每个文本文档,通过将单词列表转成set来获取每个文档中出现的单词,然后 #通过flatMap操作,将每个文档出现的单词合并成一个新的集合。在新的集合中,一个单词出现 #的次数即是其文档支持度。因此,我们可以在flatMap操作之后应用map和reducebykey操作来统 #计每个单词的文档支持度。 words_df_rdd=tokenized_document_rdd.flatMap(lambda words_list:word_contains(words_list)) \ .map(lambda word:(word,1)) \ .reduceByKey(lambda a,b:a+b) #根据单词的文档频率和文档的总数计算每个单词的idf # computeIDF函数实现的是具体计算idf的值 words_idf_rdd=words_df_rdd.map(lambda word_df_tuple: computeIDF(word_df_tuple, num_document)) print ("*********************************** compute tf *******************************") #计算每个文本中每个单词出现的频次,进而计算tf值 #返回包含所有单词的列表 #flatMap是将所有文档中的单词合并成一个大的列表,distinct是将列表中重复的单词去除 all_words_list= tokenized_document_rdd.flatMap(lambda words_list:words_list) \ .distinct() \ .collect() #考虑到单词可能很多,我们将包含所有单词的all_words_list变量做出广播变量,使得一个executor #上的多个Task可以共享该变量 all_words_broadcast=sc.broadcast(all_words_list) #计算单词的tf,得到文档的tf向量 document_tf_rdd= tokenized_document_rdd.map(lambda words_list: computeTF(words_list, all_words_broadcast.value)) print ("******************************* compute tfidf*********************************") #提取从rdd中提取每个单词的idf值,并将提取的列表变量转成字典变量,进而转成广播变量,以 #供发送给各个executor计算每个文档中每个单词的tfidf值 words_idf_list= words_idf_rdd.collect() words_idf_dic={} for item in words_idf_list:#将单词的idf值列表转为字典易于获取每个单词的idf值 words_idf_dic[item[0]]=item[1] words_idf_broadcast=sc.broadcast(words_idf_dic) #计算每个文本中每个单词的tfidf值 document_tfidf_rdd= document_tf_rdd.map(lambda words_tf_list:computeTFIDF(words_tf_list, words_idf_broadcast.value,all_words_broadcast.value)) #将每个文本对应的列表向量进行归一化 normalized_document_tfidf_rdd= document_tfidf_rdd.map(lambda tfidf_vector: nomoralize(tfidf_vector)) print ("************************** print tfidf vectors*********************************") #打印输出每个tfidf向量 tfidf_vectors= normalized_document_tfidf_rdd.collect() num = 0 for item in tfidf_vectors: print (item) num = num + 1 print("第%d条文本:" % num) print("当前文本的tfidf向量: \n", item) print(documents_list[num - 1]) print("最大值是:", p.max(item), "所在的下标是:", item.index(p.max(item))) # tf-idf值最大的单词 print("tfidf值最大的单词", documents_list[num - 1][ item.index(p.max(item)) ], "\n")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
四、结果分析
每条句子(文档)的tf-idf最大的单词也打印出来了:
*************************** compute idf************************************ *********************************** compute tf ******************************* ******************************* compute tfidf********************************* ************************** print tfidf vectors********************************* [0.5820915838854853, 0.0, 0.29104579194274266, 0.0, 0.29104579194274266, 0.7012517964002163, 0.0] 第1条文本: 当前文本的tfidf向量: [0.5820915838854853, 0.0, 0.29104579194274266, 0.0, 0.29104579194274266, 0.7012517964002163, 0.0] ['hello', 'china', 'china', 'great', 'love', 'china'] 最大值是: 0.7012517964002163 所在的下标是: 5 tfidf值最大的单词 china [0.0, 0.0, 0.0, 0.6060537877905645, 0.7546051455392007, 0.0, 0.2515350485130669] 第2条文本: 当前文本的tfidf向量: [0.0, 0.0, 0.0, 0.6060537877905645, 0.7546051455392007, 0.0, 0.2515350485130669] ['hello', 'china', 'china', 'great', 'love', 'china'] 最大值是: 0.7546051455392007 所在的下标是: 4 tfidf值最大的单词 love [0.30151134457776363, 0.0, 0.9045340337332908, 0.0, 0.0, 0.0, 0.30151134457776363] 第3条文本: 当前文本的tfidf向量: [0.30151134457776363, 0.0, 0.9045340337332908, 0.0, 0.0, 0.0, 0.30151134457776363] ['hello', 'china', 'china', 'great', 'love', 'china'] 最大值是: 0.9045340337332908 所在的下标是: 2 tfidf值最大的单词 china
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。