8人参与 • 2025-06-09 • Python
在自然语言处理(nlp)领域,构建高效的词汇表是文本预处理的关键步骤。本文将解析一个使用python实现的n-gram词频统计工具,并展示如何将其转化为可复用的技术博客内容。
高效处理大规模文本数据
支持不同长度的n-gram组合
内存优化的词频统计方案
可扩展的代码结构设计
from collections import counter import pandas as pd from tqdm import tqdm import numpy as np
def process_line(line_vocab, len_size): """ 处理单行数据,构建局部词汇表 参数: line_vocab (str): 输入文本行 len_size (int): n-gram长度 返回: counter: 词频统计对象 """ local_vocab = counter() # 单字统计 if len_size == 1: local_vocab.update(counter(list(line_vocab))) # 双字组合统计 elif len_size == 2: vocab_data = np.array([list(line_vocab[:-1]), list(line_vocab[1:])]) vocab_data = vocab_data[0,:] + vocab_data[1,:] local_vocab.update(counter(vocab_data.tolist())) # 三字组合统计 elif len_size == 3: vocab_data = np.array([list(line_vocab[:-2]), list(line_vocab[1:-1]), list(line_vocab[2:])]) vocab_data = vocab_data[0,:] + vocab_data[1,:] + vocab_data[2,:] local_vocab.update(counter(vocab_data.tolist())) # 四字组合统计 elif len_size == 4: vocab_data = np.array([list(line_vocab[:-3]), list(line_vocab[1:-2]), list(line_vocab[2:-1]), list(line_vocab[3:])]) vocab_data = vocab_data[0,:] + vocab_data[1,:] + vocab_data[2,:] + vocab_data[3,:] local_vocab.update(counter(vocab_data.tolist())) # 五字组合统计 elif len_size == 5: vocab_data = np.array([list(line_vocab[:-4]), list(line_vocab[1:-3]), list(line_vocab[2:-2]), list(line_vocab[3:-1]), list(line_vocab[4:])]) vocab_data = vocab_data[0,:] + vocab_data[1,:] + vocab_data[2,:] + vocab_data[3,:] + vocab_data[4,:] local_vocab.update(counter(vocab_data.tolist())) del line_vocab # 显式释放内存 return local_vocab
# 加载预处理数据 lines = pd.read_pickle("pretrain_hq.pkl") # 初始化全局词表 global_vocab = counter() # 逐行处理 for line in tqdm(lines): global_vocab.update(process_line(line, 1)) # 保存结果 pd.to_pickle(global_vocab, "vocab_{}.pkl".format(1))
使用del显式删除临时变量
借助counter进行高效词频统计
分块处理大规模数据集
并行化处理:可通过multiprocessing.pool实现多进程处理
from multiprocessing import pool def parallel_process(lines, len_size): with pool() as pool: results = pool.starmap(process_line, [(line, len_size) for line in lines]) return sum(results, counter())
numpy向量化操作:利用数组运算替代循环
关键词提取
语言模型训练
文本相似度计算
结合flask框架构建api服务:
from flask import flask, request import pandas as pd app = flask(__name__) vocab = pd.read_pickle("vocab_1.pkl") @app.route('/analyze', methods=['post']) def analyze(): text = request.json['text'] result = {word: vocab[word] for word in text.split()} return jsonify(result)
vocab-analyzer/
├── data/
│ ├── pretrain_hq.pkl
│ └── vocab_1.pkl
├── src/
│ ├── __init__.py
│ ├── processor.py # 核心处理逻辑
│ └── server.py # flask服务
├── requirements.txt
└── readme.md
numpy>=1.21
pandas>=1.3
tqdm>=4.62
使用memory_profiler进行内存分析
添加日志记录关键步骤耗时
本文展示了一个高效的n-gram词频统计工具实现方案,通过合理利用python标准库和numpy向量化运算,实现了:
未来可扩展方向:
到此这篇关于基于python构建一个高效词汇表的文章就介绍到这了,更多相关python词汇表内容请搜索代码网以前的文章或继续浏览下面的相关文章希望大家以后多多支持代码网!
您想发表意见!!点此发布评论
版权声明:本文内容由互联网用户贡献,该文观点仅代表作者本人。本站仅提供信息存储服务,不拥有所有权,不承担相关法律责任。 如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 2386932994@qq.com 举报,一经查实将立刻删除。
发表评论