Это - проблема, на которой я ломал головы в течение долгого времени, таким образом, любая справка была бы большой. У меня есть файл, который содержит несколько строк в следующем формате (слово, время, когда слово произошло в, и частота документов, содержащих пообещанный в приведенном примере вовремя). Ниже пример того, на что похож inputfile.
#inputfile
<word, time, frequency>
apple, 1, 3
banana, 1, 2
apple, 2, 1
banana, 2, 4
orange, 3, 1
У меня есть класс Python, ниже которого я раньше создавал 2-D словари для хранения вышеупомянутого файла с помощью в качестве ключа и частоты как значение:
class Ddict(dict):
'''
2D dictionary class
'''
def __init__(self, default=None):
self.default = default
def __getitem__(self, key):
if not self.has_key(key):
self[key] = self.default()
return dict.__getitem__(self, key)
wordtime=Ddict(dict) # Store each inputfile entry with a <word,time> key
timeword=Ddict(dict) # Store each inputfile entry with a <time,word> key
# Loop over every line of the inputfile
for line in open('inputfile'):
word,time,count=line.split(',')
# If <word,time> already a key, increment count
try:
wordtime[word][time]+=count
# Otherwise, create the key
except KeyError:
wordtime[word][time]=count
# If <time,word> already a key, increment count
try:
timeword[time][word]+=count
# Otherwise, create the key
except KeyError:
timeword[time][word]=count
Вопрос, который я имею, принадлежит вычислению определенных вещей при итерации по записям в этом 2D словаре. Для каждого Word 'w' каждый раз 't', вычислите:
Каждый из объектов выше представляет одну из ячеек таблицы сопряженности хи-квадрата для каждого слова и время. Все они могут быть вычислены в единственном цикле, или они должны быть сделаны по одному?
Идеально, я хотел бы, чтобы вывод был тем, что ниже, где a, b, c, d являются всеми объектами, вычисленными выше:
print "%s, %s, %s, %s" %(a,b,c,d)
В случае входного файла выше, результат попытки найти таблицу сопряженности для слова 'яблоком' во время '1' был бы (3,2,1,6)
. Я объясню, как каждая ячейка вычисляется:
Ваши 4 числа для яблока / 1 в сумме дают 12, что превышает общее количество наблюдений (11)! Есть только 5 документов вне времени «1», в которых нет слова «яблоко».
Вам необходимо разделить наблюдения на 4 непересекающихся подмножества:
a: яблоко и 1 => 3
b: не яблоко и 1 => 2
c: яблоко, а не-1 => 1
d: not-apple and not-1 => 5
Вот код, который показывает один из способов сделать это:
from collections import defaultdict
class Crosstab(object):
def __init__(self):
self.count = defaultdict(lambda: defaultdict(int))
self.row_tot = defaultdict(int)
self.col_tot = defaultdict(int)
self.grand_tot = 0
def add(self, r, c, n):
self.count[r][c] += n
self.row_tot[r] += n
self.col_tot[c] += n
self.grand_tot += n
def load_data(line_iterator, conv_funcs):
ct = Crosstab()
for line in line_iterator:
r, c, n = [func(s) for func, s in zip(conv_funcs, line.split(','))]
ct.add(r, c, n)
return ct
def display_all_2x2_tables(crosstab):
for rx in crosstab.row_tot:
for cx in crosstab.col_tot:
a = crosstab.count[rx][cx]
b = crosstab.col_tot[cx] - a
c = crosstab.row_tot[rx] - a
d = crosstab.grand_tot - a - b - c
assert all(x >= 0 for x in (a, b, c, d))
print ",".join(str(x) for x in (rx, cx, a, b, c, d))
if __name__ == "__main__":
# inputfile
# <word, time, frequency>
lines = """\
apple, 1, 3
banana, 1, 2
apple, 2, 1
banana, 2, 4
orange, 3, 1""".splitlines()
ct = load_data(lines, (str.strip, int, int))
display_all_2x2_tables(ct)
и вот результат:
orange,1,0,5,1,5
orange,2,0,5,1,5
orange,3,1,0,0,10
apple,1,3,2,1,5
apple,2,1,4,3,3
apple,3,0,1,4,6
banana,1,2,3,4,2
banana,2,4,1,2,4
banana,3,0,1,6,4