Gensim学习笔记-2-理解Gensim中的Corpus对象

Gensim的Corpus对象是可迭代的,每次迭代返回一篇文档,文档表现为(fieldId, fieldValue)序列。CorpusABC是其基础接口,提供了加载、保存等方法。TextCorpus是一个抽象类,通过覆写get_texts方法可以构建自定义输入对象。get_texts需返回单词序列,用于Dictionary.doc2bow转换。在gensim的test_miislita.py文件中,可以通过修改main函数生成MmCorpus。" 101930485,8845744,CDH集群时间同步配置指南,"['大数据', '网络', '数据库管理']
摘要由CSDN通过智能技术生成

所有corpora.xxxcorpus中的对象均继承接口

gensim.interfaces.CorpusABC

一个语料库对象(corpus)是一个可迭代的对象,每次迭代得到一篇文档(document)
一个document对象又是一个2元组的(fieldId,fueldValue)序列
不同的corpus有不同的格式和相应的处理方法,但都有继承于CorpusABC的
1 classmethod load(fname, mmap=None)
2 save(*args, **kwargs)
3 static save_corpus(fname, corpus, id2word=None, metadata=False)
方法

理解corpora.textcorpus
由Demo入手学习
在Python安装文件下查找site-packages\gensim\test
找到test_miislita.py 文件
打开后发现一个有趣的网站: http://www.miislita.com/

corpora.TextCorpus是一个抽象的语料库类,复写其get_texts方法即可构造一个能序列化为各种corpus对象的输入对象。

get_texts

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