glove模型的简单使用

主要思想为将每一个词转换为对应的向量。

1.新建一简单的词典

 2.读取文件中内容

np.save('resultFile/wordsList', np.array(list(embeddings_dict.keys())))
np.save('resultFile/wordVectors', np.array(list(embeddings_dict.values())))
# resultFile/wordsList   这个东西这样理解。resultFile是一个文件目录  我们将东西存入到wordsList里面，wordsList 是自动生成的  这个一个npy格式文件的名字 ，想取什么名字都行 

wordsList = np.load('resultFile/wordsList.npy')
# 这一行代码就是要加载之前生产的.npy文件  因为里面装了所有的词
wordsList = wordsList.tolist()
print(wordsList)
# 我们要把这个文件转换成 list 列表格式  便于后面我们找索引。
#为什么找索引 index ？因为 词  和词向量是一一对应的   我们之前存储的时候就是按照顺序存储的
#比如wordsList第一行是 the 这个单词。  然后wordVectors 这个文件第一行就是它的词向量
# 这就是 查找索引的意义  也就是说 两个文件分别存储 键 和 值 。索引是个桥梁  就是这么个意思

#结果：
#['张三', '李四', '陈六']

#  下面这一行代码是要找  陈六 
baseballIndex = wordsList.index('陈六')  
print(baseballIndex)  #找到了桥梁 索引  咋们把这个索引号打出来
wordVectors = np.load('resultFile/wordVectors.npy')  # 加载单独存储的那个词向量文件
print(wordVectors)
print(wordVectors.shape)  # 输出维度  比如（25，50）  这个25代表多少个词   50表示每一个词是用多少维向量表示
print(wordVectors[baseballIndex])  # 顺利的输出 词向量

#结果：
#2
#[[20. 30. 45.]
# [50. 12. 60.]
 #[45. 33. 95.]]
#(3, 3)
#[45. 33. 95.]