使用python的位置索引

Question

python入门.我正在尝试使用嵌套字典实现位置索引.但是,我不确定这是否可行.索引应包含术语/术语频率/文档ID /术语位置.

例:

dict = {term: {termfreq: {docid: {[pos1,pos2,...]}}}}

我的问题是:我在这里是正确的轨道还是我的问题有更好的解决方案.如果嵌套字典是要走的路,我还有一个问题:如何从字典中获取单个项目:例如术语的术语频率(没有关于该术语的所有其他信息).非常感谢帮助.

Answer 1

每个term似乎都有一个术语频率,一个doc id和一个职位列表.是对的吗？如果是这样,你可以使用dicts的词典:

dct = { 'wassup' : {
            'termfreq' : 'daily',
            'docid' : 1,
            'pos' : [3,4] }}

然后,给定一个术语,比如'wassup',你可以查找术语频率

dct['wassup']['termfreq']
# 'daily'

把dict想象成电话簿.它非常适合查找给定键(名称)的值(电话号码).查找给定值的键不是那么热门.当你知道你需要单向查看时,请使用dict.如果您的查找模式更复杂,您可能需要一些其他数据结构(可能是数据库？).

您可能还想查看Natural Language Toolkit(nltk).它有一个计算tf_idf内置的方法:

import nltk

# Given a corpus of texts
text1 = 'Lorem ipsum FOO dolor BAR sit amet'
text2 = 'Ut enim ad FOO minim veniam, '
text3 = 'Duis aute irure dolor BAR in reprehenderit '
text4 = 'Excepteur sint occaecat BAR cupidatat non proident'

# We split the texts into tokens, and form a TextCollection
mytexts = (
    [nltk.word_tokenize(text) for text in [text1, text2, text3, text4]])
mycollection = nltk.TextCollection(mytexts)

# Given a new text
text = 'et FOO tu BAR Brute'
tokens = nltk.word_tokenize(text)

# for each token (roughly, word) in the new text, we compute the tf_idf
for word in tokens:
    print('{w}: {s}'.format(w = word,
                            s = mycollection.tf_idf(word,tokens)))

产量

et: 0.0
FOO: 0.138629436112
tu: 0.0
BAR: 0.0575364144904
Brute: 0.0