背景信息
本文实现基于输入英文文本的词典构建功能,构建的词典的key为文本中出现的单词,对应的value按如下规律取值:输入文本中词频最大的词对应的value取值为0,词频次最大的取值为1,依次类推,词频最低的词的value的取值为(字典的长度-1)。本文主要是为之后词向量训练做准备工作。
说明:如果输入为英文文本,则可以直接处理;如果是中文文本,则需要先进行分词等预处理工作,并且最终输出的字典中,key是编码,而不是汉字。
详细代码
def build_dict(file_name, min_word_freq=50):
word_freq = word_count(file_name) # 参见前一篇博客中的定义:https://blog.csdn.net/wiborgite/article/details/79870323
word_freq = filter(lambda x: x[1] > min_word_freq, word_freq.items()) # filter将词频数量低于指定值的单词删除。
word_freq_sorted = sorted(word_freq, key=lambda x: (-x[1], x[0]))
# key用于指定排序的元素,因为sorted默认使用list中每个item的第一个元素从小到
#大排列,所以这里通过lambda进行前后元素调序,并对词频去相反数,从而将词频最大的排列在最前面
words, _ = list(zip(*word_freq_sorted))
word_idx = dict(zip(words, xrange(len(words))))
word_idx['<unk>'] = len(words) #unk表示unknown,未知单词
return word_idx
输入参数
file_name: 表示输入文件名,类型String
min_word_freq:表示最低可接受的词频数量,如果文本中某个单词出现的次数少于该值,将被丢弃。类型int,默认值为50
输出参数
返回值为dict。
测试示例
如下示例在Jupyter Notebook中实现,输入文件为《教父》英文小说,通过上述函数输出词典。