1

我正在开发一个专注于持续学习的网络爬虫，以查找与世界各地发生的特定危机和悲剧事件相关的新闻文章。我目前正在努力使数据模型尽可能精简和高效，因为它会随着爬行的继续而不断增长。

我将数据模型存储在一个列表中（对被抓取的页面进行 TFIDF 比较），我想减小列表的大小，但不会丢失列表中每个项目的相对计数。

这是来自 2 个已爬网网页的示例模型：

[[u'remark', u'special', u'agent', u'richard', u'deslauri', u'press', u'investig', u'crime', u'terror', u'crime', u'inform', u'servic', u'inform', u'laboratori', u'servic', u'want', u'want', u'want', u'terror', u'crime', u'want', u'news', u'news', u'press', u'news', u'servic', u'crime', u'inform', u'servic', u'laboratori', u'servic', u'servic', u'crime', u'crime', u'crime', u'terror', u'boston', u'press', u'remark', u'special', u'agent', u'richard', u'deslauri', u'press', u'investig', u'remark', u'special', u'agent', u'richard', u'deslauri', u'press', u'investig', u'boston', u'special', u'agent', u'remark', u'richard', u'deslauri', u'boston', u'investig', u'time', u'time', u'investig', u'boston', u'terror', u'law', u'enforc', u'boston', u'polic', u'polic', u'alreadi', u'alreadi', u'law', u'enforc', u'around', u'evid', u'boston', u'polic', u'evid', u'laboratori', u'evid', u'laboratori', u'may', u'alreadi', u'laboratori', u'investig', u'boston', u'polic', u'law', u'enforc', u'investig', u'around', u'alreadi', u'around', u'investig', u'law', u'enforc', u'evid', u'may', u'time', u'may', u'may', u'investig', u'may', u'around', u'time', u'investig', u'investig', u'boston', u'boston', u'news', u'press', u'boston', u'want', u'boston', u'want', u'news', u'servic', u'inform'], [u'2011', u'request', u'inform', u'tamerlan', u'tsarnaev', u'foreign', u'govern', u'crime', u'crime', u'inform', u'servic', u'inform', u'servic', u'nation', u'want', u'ten', u'want', u'want', u'crime', u'want', u'news', u'news', u'press', u'releas', u'news', u'stori', u'servic', u'crime', u'inform', u'servic', u'servic', u'servic', u'crime', u'crime', u'crime', u'news', u'press', u'press', u'releas', u'2011', u'request', u'inform', u'tamerlan', u'tsarnaev', u'foreign', u'govern', u'2011', u'request', u'inform', u'tamerlan', u'tsarnaev', u'foreign', u'govern', u'2013', u'nation', u'press', u'tamerlan', u'tsarnaev', u'dzhokhar', u'tsarnaev', u'tamerlan', u'tsarnaev', u'dzhokhar', u'tsarnaev', u'dzhokhar', u'tsarnaev', u'tamerlan', u'tsarnaev', u'dzhokhar', u'tsarnaev', u'2011', u'foreign', u'govern', u'inform', u'tamerlan', u'tsarnaev', u'inform', u'2011', u'govern', u'inform', u'tamerlan', u'tsarnaev', u'foreign', u'foreign', u'govern', u'2011', u'inform', u'foreign', u'govern', u'nation', u'press', u'releas', u'crime', u'releas', u'ten', u'news', u'stori', u'2013', u'ten', u'news', u'stori', u'2013', u'ten', u'news', u'stori', u'2013', u'2011', u'request', u'inform', u'tamerlan', u'tsarnaev', u'foreign', u'govern', u'nation', u'press', u'releas', u'want', u'news', u'servic', u'inform', u'govern']]

我想维护单词列表，而不是将计数嵌入到列表本身中。我希望列表来自：

[波士顿，波士顿，波士顿，爆炸案，爆炸案，Tsarnaev，Tsarnaev，时间] 到 [波士顿，波士顿，爆炸案，Tsarnaev]

基本上，如果我有一个列表 [a,a,a,b,b,c]，我想将其简化为 [a,a,b]

编辑：抱歉不清楚，但我会再试一次。我不想要一套。出现的次数非常重要，因为它是一个加权列表，因此“波士顿”应该比“时间”或其他类似术语出现的次数更多。我想要完成的是最小化数据模型，同时从模型中删除无关紧要的项。所以在上面的例子中，我故意省略了 C，因为它给模型增加了很多“脂肪”。我想保持相对性，因为 A 比 B 多出现 1 次，比 C 多出现 2 次，但由于 C 在原始模型中只出现一次，因此它正在从精益模型中删除。

4

4 回答 4

3 
from collections import defaultdict
d = defaultdict(int)
for w in words[0]:
    d[w] += 1
mmin = min(d[p] for p in d)

然后你可以从每个单词中减去这个 mmin 并创建一个新列表。但也许字典足够紧凑。要保留顺序，您可以使用 dict 中的信息并设计一些巧妙的方法来过滤您的初始单词列表。

例如，对于单词 list [a,a,a,b,b,c]，字典将包含{a:3, b:2, c:1}和mmin=1。您可以使用此信息通过从所有项目中减去 1 来获得更精简的字典{a:2, b:1}，因为c它0已被删除。

完整代码：

from collections import defaultdict
d = defaultdict(int)
words = ['a','a','a','b','b','c']
for w in words:
    d[w] += 1
mmin = min(d[p] for p in d)
slim=[]
for w in words:
    if d[w] > mmin:
        slim.append(w)
        d[w] -= 1
print slim
于 2013-05-14T21:54:18.697 回答
2

如果您的示例模型被分配给一个变量topics，那么您可以使用 acollections.Counter来维护所有主题及其计数的类似字典的对象：

from collections import Counter
topic_count = [Counter(topic) for topic in topics]
# [Counter({u'boston': 11, u'investig': 11, u'crime': 7, u'servic': 7, u'want': 6, u'press': 6, u'laboratori': 5, u'may': 5, u'news': 5, u'agent': 4, u'alreadi': 4, u'deslauri': 4, u'special': 4, u'richard': 4, u'polic': 4, u'terror': 4, u'around': 4, u'evid': 4, u'law': 4, u'remark': 4, u'inform': 4, u'enforc': 4, u'time': 4}),
#  Counter({u'tsarnaev': 13, u'inform': 12, u'govern': 9, u'tamerlan': 9, u'foreign': 8, u'news': 8, u'crime': 8, u'2011': 7, u'servic': 7, u'press': 6, u'releas': 5, u'want': 5, u'ten': 4, u'request': 4, u'stori': 4, u'nation': 4, u'2013': 4, u'dzhokhar': 4})]
于 2013-05-14T21:54:49.753 回答
1

对我来说，这似乎是一项“标准化”（而不是“减少”）任务，尽管我不确定这是否完全正确。

我认为collections.Counter确实是您想在这里使用的。它有几个方便的方法可以很容易地更改项目的数量并获得结果。

可以直接从列表中创建一个实例，计算每个项目的出现次数。Counter.most_common()给出键/计数对的列表，从最高频率到最低频率排序. 然后最低计数是该列表中最后一个元组的第二个字段。

Counter.subtract()是这里的关键：传递一个与现有实例具有相同键元素的列表Counter，它将每个键的计数减少它在新列表中出现的次数。要创建此列表，请使用列表推导使每个键的次数等于最不频繁键的计数（根据您的要求进行调整，即如果该计数超过某个阈值，则最终结果应该出现一次钥匙）。嵌套列表理解只是我最喜欢的扁平化列表的方式——键的重复最初是作为它们自己的列表创建的。

最后，Counter.elements()将给你一个列表，就像你开始的那样：每个键出现的次数等于它的计数。

from collections import Counter

def normalize_list(L, threshold):
    cntr = Counter(L)
    least_count = cntr.most_common()[-1][1]
    if least_count > threshold:
        least_count -= 1
    cntr.subtract([item for k in cntr.keys() for item in [k] * least_count])
    return list(cntr.elements())

>>> a, b, c, d, e = 'abcde'
>>> normalize_list([a, a, a, a, a, b, b, b, b, c, c, c, d, d], 10)
['a', 'a', 'a', 'c', 'b', 'b']

>>> normalize_list(your_list, 6)
[u'laboratori', u'releas', u'want', u'want', u'want', u'want', u'want', u'want', u'want', u'crime', u'crime', u'crime', u'crime', u'crime', u'crime', u'crime', u'crime', u'crime', u'crime', u'crime', u'boston', u'boston', u'boston', u'boston', u'boston', u'boston', u'boston', u'2011', u'2011', u'2011', u'tsarnaev', u'tsarnaev', u'tsarnaev', u'tsarnaev', u'tsarnaev', u'tsarnaev', u'tsarnaev', u'tsarnaev', u'tsarnaev', u'investig', u'investig', u'investig', u'investig', u'investig', u'investig', u'investig', u'may', u'govern', u'govern', u'govern', u'govern', u'govern', u'press', u'press', u'press', u'press', u'press', u'press', u'press', u'press', u'news', u'news', u'news', u'news', u'news', u'news', u'news', u'news', u'news', u'tamerlan', u'tamerlan', u'tamerlan', u'tamerlan', u'tamerlan', u'servic', u'servic', u'servic', u'servic', u'servic', u'servic', u'servic', u'servic', u'servic', u'servic', u'foreign', u'foreign', u'foreign', u'foreign', u'inform', u'inform', u'inform', u'inform', u'inform', u'inform', u'inform', u'inform', u'inform', u'inform', u'inform', u'inform']

当然，这不会保留原始列表的顺序。

于 2013-05-15T03:43:54.057 回答
1

冒着过度简化的风险，它似乎leanmodel = model[::2]通常会做你想要的（在示例中，它完全按照你想要的做）。

编辑：现在知道排序并不重要，我补充说：您应该首先对模型进行排序。这很容易封装在 Python3 或 Python 2.7 中leanmodel = sorted(model)[::2]——并且在 Python2 的早期版本中稍微不那么简单。

一般来说，这是一个一维最近邻采样问题（这就是为什么leanmodel = model[::2]可能足够准确的原因。）

于 2013-05-15T03:52:49.803 回答