pyndri_dictionary

统计文档的词频

import pyndri
import sys
index_path='../../Dataset/Robust2004/robust2004_idx'

with pyndri.open(index_path) as index:
    token2id, id2token, id2df = index.get_dictionary()
    id2tf = index.get_term_frequencies()
    
    print('Index contains %d documents.' % index.document_count())
>>>
Index contains 528155 documents.    

token2id, id2token, id2df,id2tf这四个都是字典,四个字典的长度都是845146

token2id         词 :词id
id2token        词id:词
id2df           词id:文档频率(在多少篇文档中出现)
id2tf           词id:词频(在文档集中出现多少次)
print(token2id)
>>> 
{'the':1,'of':2,'to':3,'and':4,5:'in',...}

print(id2token) 
>>>
{1:'the',2:'of',3:'to',4:'and','in':5...}

print(id2df)
>>>
{1:513196,2:505628,3:494494,4:491889,5:494175,...

print(id2tf)
>>>
{1:1679390,2:8079187,3:6570031,4:5991150,5:5216661,...}

print(len(token2id))
>>>
845146

index.document_count()代表的是文档集中共有多少篇文档

>>> index.document_count()
528155

参考:
pyndri/examples/dictionary.py

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值