对条款列表中的项目进行排名

时间:2015-10-17 15:42:42

标签: python python-2.7 python-3.x

我有这种格式的并行语料库:

parallel_corpus =
one sentence in Italian : one sentence in English
one sentence in Italian : one sentence in English

我有这种格式的双语术语列表

bigram_list =
Difensori dei diritti umani, libertà di espressione > Human rights defenders, freedom of expression

sgomberi forzati, violazioni dei diritti umani > forced evictions, human rights violations

因此,双语条款文件中的每一行都包含由">"

分割的两种语言的术语

我想要的是为上面文件中的每一行关联候选翻译对(一种语言中的术语除了另一种语言中的一个术语)。所以对于上面的第一个例子,双字母组合将如下所示:

('Difensori dei diritti umani','Human rights defenders')
('Difensori dei diritti umani','freedom of expression')
('libertà di espressione','Human rights defenders')
('libertà di espressione','freedom of expression')

之后我想估计上述每个双子星的互信息,并选择具有高价值的二元组。我试过这段代码

for line in bigram_list.splitlines():
    n = 0
    s = 0.001
    a = 0
    b = 0
    c = 0
    d = 0
    mi = ''
    bi= []
    trans = line.split(' > ')
    left =  trans[0].split(', ')
    right = trans[1].split(', ')
    for i in left:
            for j in right:
                    for line in parallel_corpus.splitlines():
                            n += 1
                            if i in line and j in line:
                                    a += 1
                            elif i in line and not j in line:
                                    b+= 1
                            elif j in line and not i in line:
                                    c+= 1
                            else:
                                    d +=1
                    mi = log(((a +s)/n)/(((b+s)/n)*((c+s)/n)))
                    bi.append((i,j,mi)) 
    print (bi)

此代码提供以下输出

[('Difensori dei diritti umani', 'Human rights defenders', 9.747427586368971), ('Difensori dei diritti umani', 'freedom of expression', 4.054309816276213), ('libertà di espressione', 'Human rights defenders', 1.7964873912918353), ('libertà di espressione', 'freedom of expression', 3.5916971873132355)]
[('sgomberi forzati', 'forced evictions', 9.971061859787796), ('sgomberi forzati', 'human rights violations', 5.278014664230184), ('violazioni dei diritti umani', 'forced evictions', 4.3759922075718447), ('violazioni dei diritti umani', 'human rights violations', 2.760410122135915)]

如果有相同的第一个元素的对,我需要的是bigram_list中的每一行,选择具有高值的一对。示例:在以下行中

[('Difensori dei diritti umani', 'Human rights defenders', 4.747427586368971), ('Difensori dei diritti umani', 'freedom of expression', 4.054309816276213), ('libertà di espressione', 'Human rights defenders', 3.7964873912918353), ('libertà di espressione', 'freedom of expression', 3.5916971873132355)]

我们有

('Difensori dei diritti umani', 'Human rights defenders', 9.747427586368971)

'Difensori dei diritti umani', 'freedom of expression', 4.054309816276213

所以我们必须选择第一对包含相同第一个元素的对(' Difensori dei diritti umani')和第二对,但具有较高的值。

有人可以帮忙吗?

1 个答案:

答案 0 :(得分:1)

由于您只想要具有相同第一个元素和最大值的对,因此您可以创建一个以first element为键的字典。您可以遍历元组列表并检查密钥(元组的第一个元素)是否存在。如果确实检查该值是否高于字典中的值,则替换为true。

以下是与您的示例相关的代码:

temp_dict = {}
for i in a:
    if temp_dict.has_key(i[0]):
        if (temp_dict[i[0]][2] < i[2]):
            temp_dict[i[0]] = i
    else:
        temp_dict[i[0]] = i

迭代示例代码中的两个列表后输出:

  

{&#39; violazioni dei diritti umani&#39;:(&#39; violazioni dei diritti umani&#39;,   &#39;强制驱逐&#39;,4.375992207571844),&#39; Difensori dei diritti umani&#39;:   (&#39; Difensori dei diritti umani&#39;,&#39;人权维护者&#39;,   9.747427586368971),&#39; sgomberi forzati&#39;:(&#39; sgomberi forzati&#39;,&#39;强制驱逐&#39;,9.971061859787795),&#39; libert \ xc3 \ xa0 di espressione&#39; ;:   (&#39; libert \ xc3 \ xa0 di espressione&#39;,&#39;言论自由&#39;,   3.5916971873132355)}

Demo of your working code