Question

我使用Python尝试使用Okapi BM25 model对文档进行排名。

我认为我可以更有效地计算Score(D,Q)所需的一些术语，例如IDF（逆文档频率）（即：计算特定术语的所有非零行（列）））。此外，我可以在矩阵中为实际乐谱添加一个新列，然后按此排序以对文档进行排名。

文档术语向量存储在.dat文件中，其结构如下：

D1 7:10 2:5
D2 1:2 3:4

其中D1是文档ID，7:10表示标识7的字词显示10次

目前，我正在使用以下代码将其读入列表列表：

fname = "dtv.dat"
f = open(fname, "r")
l = [x.strip(" \n").split(" ") for x in f.readlines()]

为给定示例生成以下输出：

[['D1', '7:10', '2:5'],['D2' '1:2', '3:4']]

鉴于此列表格式列表，将此转换为Python pandas DataFrame的最有效方法是什么，类似于以下内容：

0      1     2      3      7
D1     0     5      0      10    
D2     2     0      4      0

Answer 1

如果每个文档只在文件中出现一次，您的答案似乎没问题。否则，代码将覆盖dict d中的某些记录。

我认为以下内容更为通用：

import numpy as np
import pandas as pd

fname = 'example.txt'

full_list = []
with open(fname, "r") as f:
    for line in f:
        arr = line.strip(" \n").split(" ")
        for chunk in arr[1:]:
            # converting numbers to ints:
            int_pair = [int(x) for x in chunk.split(":")]
            full_list.append([arr[0], *int_pair])

df = pd.DataFrame(full_list)

df2 = df.pivot_table(values = 2, index = 0, columns = 1, aggfunc = np.sum, fill_value = 0)

工作原理：

>>> cat 'example.txt'
D1 1:3 2:2 3:3
D2 1:4 2:7 
D2 7:1
D1 2:4 4:2
D1 4:1 4:3
>>> full_list
Out[37]: 
[['D1', 1, 3],
 ['D1', 2, 2],
 ['D1', 3, 3],
 ['D2', 1, 4],
 ['D2', 2, 7],
 ['D2', 7, 1],
 ['D1', 2, 4],
 ['D1', 4, 2],
 ['D1', 4, 1],
 ['D1', 4, 3]]
>>> df
Out[38]: 
    0  1  2
0  D1  1  3
1  D1  2  2
2  D1  3  3
3  D2  1  4
4  D2  2  7
5  D2  7  1
6  D1  2  4
7  D1  4  2
8  D1  4  1
9  D1  4  3
>>> df2
Out[39]: 
1   1  2  3  4  7
0                
D1  3  6  3  6  0
D2  4  7  0  0  1

Answer 2

使用更改列表列表，将列表列表转换为ID字典和术语频率字典，然后直接转换为DataFrame来管理完成此操作，非常欢迎任何改进！

def term_matrix(fname):
f = open(fname, "r")
l = [x.strip(" \n").split(" ") for x in f.readlines()]

d = dict()

for i in l:
    d[i[0]] = dict(t.split(":") for t in i[1:])

return pd.DataFrame(d).transpose()

Python pandas：从空格分隔的“.dat”中生成Document-Term矩阵。文件

2 个答案: