我编写了一个代码,该代码接受项目列表,并输出带有唯一项目作为键和频率作为值的json。
下面的代码在我测试时可以正常工作
const tokenFrequency = tokens =>{
const setTokens=[...new Set(tokens)]
return setTokens.reduce((obj, tok) => {
const frequency = tokens.reduce((count, word) =>word===tok?count+1:count, 0);
const containsDigit = /\d+/;
if (!containsDigit.test(tok)) {
obj[tok.toLocaleLowerCase()] = frequency;
}
return obj;
}, new Object());
}
喜欢
const x=["hello","hi","hi","whatsup","hey"]
console.log(tokenFrequency(x))
产生输出
{ hello: 1, hi: 2, whatsup: 1, hey: 1 }
但是当我尝试使用巨大的数据语料库的单词列表时,似乎会产生错误的结果。
假设我输入的列表单词的列表长度为14000+,则会产生错误的结果。
示例: https://github.com/Nahdus/word2vecDataParsing/blob/master/corpous/listOfWords.txt,当此页面中链接到“是”的频率的列表显示为4时,但实际频率为907。
为什么对大数据这样表现? 该如何解决?
答案 0 :(得分:1)
您首先需要对令牌应用toLowerCase()
来对令牌进行规范化,或者通过一种方法来区分相同但大小写不同的单词。
原因:
您的小型数据集没有Is
个单词(大写的“ i”)。大型数据集的确出现了Is
(大写的“ i”),显然它的频率为4
,这又覆盖了小写的is
的频率。