提取其中代码,给出可运行代码

时间: 2024-12-06 16:25:17 浏览: 12
以下是文档中提到的可运行代码片段,经过整理和简化: ### 导入库 ```python import json from matplotlib import pyplot as plt import re import string import nltk from nltk.corpus import stopwords from nltk.tokenize import word_tokenize from nltk.stem.porter import PorterStemmer from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity from queue import PriorityQueue as PQueue from functools import reduce ``` ### 读取文件 ```python def read_corpus(): """ 读取给定的语料库,并把问题列表和答案列表分别写入到 qlist, alist 里面。 """ qlist = [] alist = [] with open("data/train-v2.0.json", 'r') as path: fileJson = json.load(path) json_list = fileJson['data'] for data_dict in json_list: for data_key in data_dict: if data_key == "paragraphs": paragraphs_list = data_dict[data_key] for content_dict in paragraphs_list: for qas_key in content_dict: if "qas" == qas_key: qas_list = content_dict[qas_key] for q_a_dict in qas_list: if len(q_a_dict["answers"]) > 0: qlist.append(q_a_dict["question"]) alist.append(q_a_dict["answers"][0]["text"]) assert len(qlist) == len(alist) # 确保长度一致 return qlist, alist ``` ### 数据分析 ```python def data_analysis(data): """ 统计一下在qlist总共出现了多少个单词?总共出现了多少个不同的单词? 并画出出现频率前100的单词的图。 """ qlist_word = [] word_dic = {} for sentences in data: cur_word = sentences[:len(sentences) - 1].strip().split(" ") qlist_word += cur_word for word in cur_word: if word in word_dic.keys(): word_dic[word] = word_dic[word] + 1 else: word_dic[word] = 1 word_total = len(set(qlist_word)) word_dic = sorted(word_dic.items(), key=lambda x: x[1], reverse=True) x = range(100) y = [c[1] for c in word_dic[:100]] plt.figure() plt.plot(x, y) plt.show() qlist, alist = read_corpus() data_analysis(qlist) ``` ### 文本预处理 ```python def data_pre(temp_list): stop_words = set(stopwords.words('english')) stemmer = PorterStemmer() pattern = re.compile('[{}]'.format(re.escape(string.punctuation))) word_list_list = [] word_dict = {} for line in temp_list: temp_word_list = [] sentence = pattern.sub("", line) # 去掉一些无用的符号 sentence = sentence.lower() # 转换成lower_case word_list = sentence.split() for word in word_list: if word not in stop_words: # 过滤停用词 word = "#number" if word.isdigit() else word # 数字特殊处理 word = stemmer.stem(word) # 词干提取 word_dict[word] = word_dict.get(word, 0) + 1 temp_word_list.append(word) word_list_list.append(temp_word_list) return word_dict, word_list_list def filter_words(in_list=[], in_dict={}, lower=0, upper=0): word_list = [] for key, val in in_dict.items(): if val >= lower and val <= upper: word_list.append(key) new_list = [] for line in in_list: words = [w for w in line if w in word_list] new_list.append(' '.join(words)) return new_list ``` ### 文本表示 ```python vectorizer = TfidfVectorizer() X = vectorizer.fit_transform(qlist) def top5results(input_q): """ 给定用户输入的问题 input_q, 返回最有可能的TOP 5问题。 """ stop_words = set(stopwords.words('english')) stemmer = PorterStemmer() pattern = re.compile('[{}]'.format(re.escape(string.punctuation))) input_q = pattern.sub("", input_q) # 去掉一些无用的符号 input_q = input_q.lower() # 转换成lower_case word_list = input_q.split() temp_word_list = [] for word in word_list: if word not in stop_words: # 过滤停用词 word = "#number" if word.isdigit() else word # 数字特殊处理 word = stemmer.stem(word) # 词干提取 temp_word_list.append(word) new_input = ' '.join(temp_word_list) input_vec = vectorizer.transform([new_input]) res = cosine_similarity(input_vec, X)[0] pq = PQueue() for i, v in enumerate(res): pq.put((1.0 - v, i)) top_idxs = [] for i in range(5): top_idxs.append(pq.get()[1]) result = [alist[i] for i in top_idxs] return result qlist, alist = read_corpus() q_dict, q_list_list = data_pre(qlist) new_qlist = filter_words(q_list_list, q_dict, 2, 1000) print(top5results("when did Beyonce start becoming popular?")) print(top5results("what language does the word of 'symbiosis' come from")) ``` ### 使用倒排表优化 ```python inverted_idx = {} for i in range(len(qlist)): for word in qlist[i].split(): if word in inverted_idx: inverted_idx[word].append(i) else: inverted_idx[word] = [i] for key in inverted_idx: inverted_idx[key] = sorted(inverted_idx[key]) def intersections(set1, set2): return set1.intersection(set2) def top5results_invidx(input_q): """ 给定用户输入的问题 input_q, 返回最有可能的TOP 5问题。 """ stop_words = set(stopwords.words('english')) stemmer = PorterStemmer() pattern = re.compile('[{}]'.format(re.escape(string.punctuation))) sentence = pattern.sub("", input_q) sentence = sentence.lower() word_list = sentence.split() result_list = [] for word in word_list: if word not in stop_words: word = "#number" if word.isdigit() else word word = stemmer.stem(word) result_list.append(word) candidate_list = [] for word in result_list: if word in inverted_idx: idx_list = inverted_idx[word] candidate_list.append(set(idx_list)) candidate_idx = list(reduce(intersections, candidate_list)) input_seg = ' '.join(result_list) vectorizer = TfidfVectorizer(smooth_idf=False) X = vectorizer.fit_transform(new_qlist) input_vec = vectorizer.transform([input_seg]) similarity_list = [] for i in candidate_idx: similarity = cosine_similarity(input_vec, X[i])[0] similarity_list.append((i, similarity[0])) res_sorted = sorted(similarity_list, key=lambda k: k[1], reverse=True) answers = [] i = 0 for (idx, score) in res_sorted: if i < 5: answer = alist[idx] answers.append(answer) i += 1 return answers print(top5results_invidx("when did Beyonce start becoming popular?")) print(top5results_invidx("what language does the word of 'symbiosis' come from")) ``` ### 词向量表示 ```python def load_glove(path): vocab = {"UNK": 0} embedding = [[0] * 100] with open(path, 'r', encoding='utf8') as f: i = 1 for line in f: row = line.strip().split() vocab[row[0]] = i embedding.append(list(map(float, row[1:]))) i += 1 return vocab, embedding def word_to_vec(sentence, vocab, embedding): words = sentence.split() vecs = [] for word in words: if word in vocab: vecs.append(embedding[vocab[word]]) if vecs: return np.mean(vecs, axis=0) else: return np.zeros(100) vocab, embedding = load_glove("data/glove.6B.100d.txt") def top5results_emb(input_q): """ 给定用户输入的问题 input_q, 返回最有可能的TOP 5问题。 """ stop_words = set(stopwords.words('english')) pattern = re.compile('[{}]'.format(re.escape(string.punctuation))) sentence = pattern.sub("", input_q) sentence = sentence.lower() word_list = sentence.split() result_list = [] for word in word_list: if word not in stop_words: word = "#number" if word.isdigit() else word result_list.append(word) input_q = " ".join(result_list) inverted_idx = {} for i in range(len(new_qlist)): for word in new_qlist[i].split(): if word in inverted_idx: inverted_idx[word].append(i) else: inverted_idx[word] = [i] for key in inverted_idx: inverted_idx[key] = sorted(inverted_idx[key]) candidates = [] for word in result_list: if word in inverted_idx: ids = inverted_idx[word] candidates.append(set(ids)) candidate_idx = list(reduce(intersections, candidates)) input_q_vec = word_to_vec(input_q, vocab, embedding) scores = [] for i in candidate_idx: vec = word_to_vec(new_qlist[i], vocab, embedding) score = cosine_similarity([input_q_vec, vec])[0][1] scores.append((i, score)) scores_sorted = sorted(scores, key=lambda k: k[1], reverse=True) answers = [] i = 0 for (idx, score) in scores_sorted: if i < 5: answer = alist[idx] answers.append(answer) i += 1 return answers print(top5results_emb("when did Beyonce start becoming popular?")) print(top5results_emb("what language does the word of 'symbiosis' come from")) print(top5results_emb("In her music, what are some?")) ``` 以上代码涵盖了从读取文件、数据分析、文本预处理、文本表示到最终的相似度计算和答案返回的全过程。你可以根据实际需求调整参数和路径。希望这些代码对你有帮助!
阅读全文

相关推荐

最新推荐

recommend-type

Deep-Learning-with-PyTorch-by-Eli-Stevens-Luca-Antiga-Thomas-Viehmann

Deep_Learning_with_PyTorch_by_Eli_Stevens_Luca_Antiga_Thomas_Viehmann
recommend-type

直连设备(单片机)端token自动计算(micropython)

直连设备(单片机)端token自动计算(micropython)
recommend-type

Python调试器vardbg:动画可视化算法流程

资源摘要信息:"vardbg是一个专为Python设计的简单调试器和事件探查器,它通过生成程序流程的动画可视化效果,增强了算法学习的直观性和互动性。该工具适用于Python 3.6及以上版本,并且由于使用了f-string特性,它要求用户的Python环境必须是3.6或更高。 vardbg是在2019年Google Code-in竞赛期间为CCExtractor项目开发而创建的,它能够跟踪每个变量及其内容的历史记录,并且还能跟踪容器内的元素(如列表、集合和字典等),以便用户能够深入了解程序的状态变化。" 知识点详细说明: 1. Python调试器(Debugger):调试器是开发过程中用于查找和修复代码错误的工具。 vardbg作为一个Python调试器,它为开发者提供了跟踪代码执行、检查变量状态和控制程序流程的能力。通过运行时监控程序,调试器可以发现程序运行时出现的逻辑错误、语法错误和运行时错误等。 2. 事件探查器(Event Profiler):事件探查器是对程序中的特定事件或操作进行记录和分析的工具。 vardbg作为一个事件探查器,可以监控程序中的关键事件,例如变量值的变化和函数调用等,从而帮助开发者理解和优化代码执行路径。 3. 动画可视化效果:vardbg通过生成程序流程的动画可视化图像,使得算法的执行过程变得生动和直观。这对于学习算法的初学者来说尤其有用,因为可视化手段可以提高他们对算法逻辑的理解,并帮助他们更快地掌握复杂的概念。 4. Python版本兼容性:由于vardbg使用了Python的f-string功能,因此它仅兼容Python 3.6及以上版本。f-string是一种格式化字符串的快捷语法,提供了更清晰和简洁的字符串表达方式。开发者在使用vardbg之前,必须确保他们的Python环境满足版本要求。 5. 项目背景和应用:vardbg是在2019年的Google Code-in竞赛中为CCExtractor项目开发的。Google Code-in是一项面向13到17岁的学生开放的竞赛活动,旨在鼓励他们参与开源项目。CCExtractor是一个用于从DVD、Blu-Ray和视频文件中提取字幕信息的软件。vardbg的开发过程中,该项目不仅为学生提供了一个实际开发经验的机会,也展示了学生对开源软件贡献的可能性。 6. 特定功能介绍: - 跟踪变量历史记录:vardbg能够追踪每个变量在程序执行过程中的历史记录,使得开发者可以查看变量值的任何历史状态,帮助诊断问题所在。 - 容器元素跟踪:vardbg支持跟踪容器类型对象内部元素的变化,包括列表、集合和字典等数据结构。这有助于开发者理解数据结构在算法执行过程中的具体变化情况。 通过上述知识点的详细介绍,可以了解到vardbg作为一个针对Python的调试和探查工具,在提供程序流程动画可视化效果的同时,还通过跟踪变量和容器元素等功能,为Python学习者和开发者提供了强大的支持。它不仅提高了学习算法的效率,也为处理和优化代码提供了强大的辅助功能。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【IT设备维保管理入门指南】:如何制定有效的维护计划,提升设备性能与寿命

![【IT设备维保管理入门指南】:如何制定有效的维护计划,提升设备性能与寿命](https://docs.plesk.com/en-US/onyx/administrator-guide/images/78798.webp) # 摘要 本文全面探讨了IT设备维保管理的各个方面,从理论基础到实践案例,再到技术革新和未来展望。首先概述了维保计划的重要性,强调了其在延长设备生命周期和提升性能稳定性方面的作用。接着,文中详细论述了维保计划的制定原则,包括预防性维护、设备分类及成本效益分析等。通过分析不同行业的实践案例,本文揭示了成功维保计划的关键因素,并提出了效果评估与改进的策略。随后,探讨了性能监
recommend-type

python爬取网页链接,url = “https://koubei.16888.com/57233/0-0-0-0”

在Python中,使用如`requests`库来发送HTTP请求并抓取网页链接是比较常见的做法。以下是如何使用`requests`和BeautifulSoup库(用于解析HTML)来爬取给定URL上的信息: 首先,确保已安装`requests`和`beautifulsoup4`库,如果未安装可以使用以下命令安装: ```bash pip install requests beautifulsoup4 ``` 然后,你可以编写以下Python脚本来爬取指定URL的内容: ```python import requests from bs4 import BeautifulSoup # 定义要
recommend-type

掌握Web开发:Udacity天气日记项目解析

资源摘要信息: "Udacity-Weather-Journal:Web开发路线的Udacity纳米度-项目2" 知识点: 1. Udacity:Udacity是一个提供在线课程和纳米学位项目的教育平台,涉及IT、数据科学、人工智能、机器学习等众多领域。纳米学位是Udacity提供的一种专业课程认证,通过一系列课程的学习和实践项目,帮助学习者掌握专业技能,并提供就业支持。 2. Web开发路线:Web开发是构建网页和网站的应用程序的过程。学习Web开发通常包括前端开发(涉及HTML、CSS、JavaScript等技术)和后端开发(可能涉及各种服务器端语言和数据库技术)的学习。Web开发路线指的是在学习过程中所遵循的路径和进度安排。 3. 纳米度项目2:在Udacity提供的学习路径中,纳米学位项目通常是实践导向的任务,让学生能够在真实世界的情境中应用所学的知识。这些项目往往需要学生完成一系列具体任务,如开发一个网站、创建一个应用程序等,以此来展示他们所掌握的技能和知识。 4. Udacity-Weather-Journal项目:这个项目听起来是关于创建一个天气日记的Web应用程序。在完成这个项目时,学习者可能需要运用他们关于Web开发的知识,包括前端设计(使用HTML、CSS、Bootstrap等框架设计用户界面),使用JavaScript进行用户交互处理,以及可能的后端开发(如果需要保存用户数据,可能会使用数据库技术如SQLite、MySQL或MongoDB)。 5. 压缩包子文件:这里提到的“压缩包子文件”可能是一个笔误或误解,它可能实际上是指“压缩包文件”(Zip archive)。在文件名称列表中的“Udacity-Weather-journal-master”可能意味着该项目的所有相关文件都被压缩在一个名为“Udacity-Weather-journal-master.zip”的压缩文件中,这通常用于将项目文件归档和传输。 6. 文件名称列表:文件名称列表提供了项目文件的结构概览,它可能包含HTML、CSS、JavaScript文件以及可能的服务器端文件(如Python、Node.js文件等),此外还可能包括项目依赖文件(如package.json、requirements.txt等),以及项目文档和说明。 7. 实际项目开发流程:在开发像Udacity-Weather-Journal这样的项目时,学习者可能需要经历需求分析、设计、编码、测试和部署等阶段。在每个阶段,他们需要应用他们所学的理论知识,并解决在项目开发过程中遇到的实际问题。 8. 技术栈:虽然具体的技术栈未在标题和描述中明确提及,但一个典型的Web开发项目可能涉及的技术包括但不限于HTML5、CSS3、JavaScript(可能使用框架如React.js、Angular.js或Vue.js)、Bootstrap、Node.js、Express.js、数据库技术(如上所述),以及版本控制系统如Git。 9. 学习成果展示:完成这样的项目后,学习者将拥有一个可部署的Web应用程序,以及一个展示他们技术能力的项目案例,这些对于未来的求职和职业发展都是有价值的。 10. 知识点整合:在进行Udacity-Weather-Journal项目时,学习者需要将所学的多个知识点融合在一起,包括前端设计、用户体验、后端逻辑处理、数据存储和检索、以及可能的API调用等。 总结来说,Udacity-Weather-Journal项目是Udacity Web开发纳米学位课程中的一个重要实践环节,它要求学习者运用他们所学到的前端和后端开发技能,完成一个具体的Web应用程序项目。通过完成这样的项目,学习者能够将理论知识转化为实践经验,并为他们未来在IT行业的职业发展打下坚实的基础。
recommend-type

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依
recommend-type

【文献整理高效法】:ENDNOTE软件实用功能及快捷操作揭秘

![【文献整理高效法】:ENDNOTE软件实用功能及快捷操作揭秘](https://europe1.discourse-cdn.com/endnote/optimized/2X/a/a18b63333c637eb5d6fafb609a4eff7bd46df6b0_2_1024x391.jpeg) # 摘要 本文综合探讨了ENDNOTE在文献整理和管理中的作用及其高效操作技巧。首先介绍了文献整理的重要性和ENDNOTE软件的简介,随后深入解析了ENDNOTE的基本功能,包括文献信息的导入与管理、引用和参考文献的生成,以及文献搜索与数据库集成。接着,本文详细阐述了ENDNOTE的高效操作技巧,涵
recommend-type

在使用SQL创建存储过程时,是否可以在定义输入参数时直接为其赋予初始值?

在使用SQL创建存储过程时,通常可以在定义输入参数时为其赋予初始值。这种做法可以使参数具有默认值,当调用存储过程时,如果没有提供该参数的值,则会使用默认值。以下是一个示例: ```sql CREATE PROCEDURE MyProcedure @Param1 INT = 10, @Param2 NVARCHAR(50) = 'DefaultValue' AS BEGIN -- 存储过程的主体 SELECT @Param1 AS Param1, @Param2 AS Param2 END ``` 在这个示例中,`@Param1`和`@Param2`是输入参数