feat(3-1.py): 实现 TF-IDF 权重计算并优化代码结构
- 新增辅助函数：tokenize、tf、idfs、tfidf -优化数据加载与预处理逻辑- 实现全局 IDF 计算并绘制直方图 -完成全局 TF-IDF 计算并保存结果到 HDFS- 增加针对特定 Amazon 记录的 TF-IDF计算示例 - 优化代码注释和结构，提高可读性
This commit is contained in:
parent
739ad9d6cb
commit
1043551309
204
3-1.py
204
3-1.py
@ -1,58 +1,119 @@
|
||||
# -*- coding: utf-8 -*-
|
||||
"""
|
||||
实验步骤3：利用 TF-IDF 加权提升文本相似性计算准确性
|
||||
1. 读取 Amazon_small.csv 和 Google_small.csv 数据，
|
||||
提取文档ID和文本（标题、描述、制造商）的组合；
|
||||
2. 对文本进行分词，构建语料库（格式：(doc_id, [token列表])）；
|
||||
3. 计算 TF（词频）：统计每个词在文档中的出现次数除以该文档总词数；
|
||||
4. 计算 IDF（逆文档频率）：IDF(t)= N / n(t)，其中 N 为文档总数，n(t) 为包含词 t 的文档数；
|
||||
5. 计算 TF-IDF：每个词的 TF-IDF = TF * IDF；
|
||||
6. 输出格式：((doc_id, term), tfidf_value)
|
||||
|
||||
注意：确保 HDFS 上已上传以下文件：
|
||||
- Amazon_small.csv
|
||||
- Google_small.csv
|
||||
- 若代码中需要停用词过滤，可以自行调整或扩展（本示例未特别去除停用词）
|
||||
功能说明：
|
||||
1. 从 HDFS 上读取 Amazon_small.csv 和 Google_small.csv，提取文档ID及文本（标题、描述、制造商）的组合；
|
||||
2. 对文本进行分词，构建语料库，格式为：(doc_id, [token列表])；
|
||||
3. 实现 tf(tokens) 函数，计算 token 的相对词频；
|
||||
4. 实现 idfs(corpus) 函数，计算每个唯一 token 的逆文档频率，使用公式：IDF(t) = N / n(t)；
|
||||
5. 实现 tfidf(tokens, idfs) 函数，结合 TF 与 IDF 权重计算每个 token 的 TF-IDF；
|
||||
6. 利用 RDD 操作计算全局 TF-IDF，并保存结果；
|
||||
7. 对 Amazon 记录 "b'000hkgj8k" 调用 tfidf() 测试，打印该记录中各 token 的 TF-IDF 权重。
|
||||
|
||||
注意：
|
||||
(1) 代码使用 Python 3.5 语法；
|
||||
(2) 请保证 HDFS 上已上传 Amazon_small.csv 和 Google_small.csv 文件；
|
||||
(3) 如需停用词过滤，可在 tokenize() 函数中扩展，本示例未特别去除停用词。
|
||||
"""
|
||||
|
||||
from pyspark import SparkContext
|
||||
import re
|
||||
import matplotlib.pyplot as plt
|
||||
|
||||
sc = SparkContext(appName="TFIDF_Analysis")
|
||||
|
||||
# 请根据实际情况修改 HDFS 主机及端口，如 "hdfs://localhost:9000"
|
||||
|
||||
###############################
|
||||
# 1. 定义辅助函数
|
||||
###############################
|
||||
def tokenize(text):
|
||||
"""
|
||||
分词：转换成小写后提取所有字母或数字组成的单词
|
||||
"""
|
||||
return re.findall(r'\w+', text.lower())
|
||||
|
||||
|
||||
def tf(tokens):
|
||||
"""
|
||||
计算 TF（词频）
|
||||
|
||||
Args:
|
||||
tokens (list of str): 输入的 token 列表
|
||||
Returns:
|
||||
dict: 每个 token 映射到其 TF 值（出现次数/总 token 数）
|
||||
"""
|
||||
total = len(tokens)
|
||||
counts = {}
|
||||
for token in tokens:
|
||||
if token in counts:
|
||||
counts[token] = counts[token] + 1
|
||||
else:
|
||||
counts[token] = 1
|
||||
return {k: float(v) / total for k, v in counts.items()}
|
||||
|
||||
|
||||
def idfs(corpus):
|
||||
"""
|
||||
计算语料库中每个唯一 token 的 IDF 权重
|
||||
|
||||
Args:
|
||||
corpus (RDD): 每个元素格式为 (doc_id, [token列表])
|
||||
Returns:
|
||||
RDD: (token, IDF值) 的 RDD
|
||||
"""
|
||||
N = corpus.count()
|
||||
# 对每个文档取唯一 token 集合（避免在同一文档中重复计数）
|
||||
uniqueTokens = corpus.map(lambda x: set(x[1]))
|
||||
# 对每个文档生成 (token, 1) 对，再求和计算包含该 token 的文档数 n(t)
|
||||
tokenCountPair = uniqueTokens.flatMap(lambda tokens: [(token, 1) for token in tokens])
|
||||
tokenDocCounts = tokenCountPair.reduceByKey(lambda a, b: a + b)
|
||||
# 计算 IDF，不取对数：IDF(t) = N / n(t)
|
||||
return tokenDocCounts.map(lambda x: (x[0], float(N) / float(x[1])))
|
||||
|
||||
|
||||
def tfidf(tokens, idfs_dict):
|
||||
"""
|
||||
计算 TF-IDF 权重
|
||||
|
||||
Args:
|
||||
tokens (list of str): 输入 token 列表
|
||||
idfs_dict (dict): token 到其 IDF 权重的字典
|
||||
Returns:
|
||||
dict: 每个 token 映射到其 TF-IDF 权重
|
||||
"""
|
||||
tfs = tf(tokens)
|
||||
# 对于在 idfs 字典中存在的 token 计算 TF * IDF
|
||||
tfIdfDict = {token: tfs[token] * idfs_dict[token] for token in tfs if token in idfs_dict}
|
||||
return tfIdfDict
|
||||
|
||||
|
||||
###############################
|
||||
# 2. 数据加载与预处理
|
||||
###############################
|
||||
# 修改以下 HDFS 路径，根据你的集群配置，如 "hdfs://master:9000"
|
||||
amazon_path = "hdfs://master:9000/user/root/Amazon_small.csv"
|
||||
google_path = "hdfs://master:9000/user/root/Google_small.csv"
|
||||
|
||||
|
||||
def parse_csv_line(line):
|
||||
"""
|
||||
解析 CSV 行（假设字段用 '","' 分隔，且首尾有引号）
|
||||
返回 (doc_id, text)；text 为标题、描述、制造商字段拼接后的字符串
|
||||
解析 CSV 行（假设字段使用 '","' 分隔，且首尾有引号）
|
||||
返回 (doc_id, text)，其中 text 为标题、描述、制造商字段拼接后的字符串
|
||||
"""
|
||||
line = line.strip()
|
||||
if not line:
|
||||
return None
|
||||
# 去除首尾引号，然后按","分隔
|
||||
# 注意：此处简单处理，要求 CSV 文件中没有嵌入额外的引号
|
||||
# 去除首尾引号后按 '","' 拆分
|
||||
parts = line.strip('"').split('","')
|
||||
if len(parts) < 4:
|
||||
return None
|
||||
doc_id = parts[0].strip()
|
||||
# 将标题、描述、制造商合并
|
||||
text = "{} {} {}".format(parts[1].strip(), parts[2].strip(), parts[3].strip())
|
||||
return (doc_id, text)
|
||||
|
||||
|
||||
def tokenize(text):
|
||||
"""
|
||||
分词：转成小写后提取所有字母数字字符组合（词）
|
||||
"""
|
||||
return re.findall(r'\w+', text.lower())
|
||||
|
||||
|
||||
# 读取数据文件并解析
|
||||
# 过滤掉可能的表头（假设表头 doc_id 为 "id"）
|
||||
# 读取数据，并过滤掉表头（假设表头中 doc_id 为 "id"）
|
||||
amazon_rdd = sc.textFile(amazon_path).map(parse_csv_line) \
|
||||
.filter(lambda x: x is not None and x[0].lower() != "id")
|
||||
google_rdd = sc.textFile(google_path).map(parse_csv_line) \
|
||||
@ -62,54 +123,71 @@ google_rdd = sc.textFile(google_path).map(parse_csv_line) \
|
||||
amazonRecToToken = amazon_rdd.map(lambda x: (x[0], tokenize(x[1])))
|
||||
googleRecToToken = google_rdd.map(lambda x: (x[0], tokenize(x[1])))
|
||||
|
||||
# 合并语料库
|
||||
corpus = amazonRecToToken.union(googleRecToToken)
|
||||
N = corpus.count() # 语料库中的文档总数
|
||||
# 创建语料库（corpusRDD）
|
||||
corpusRDD = amazonRecToToken.union(googleRecToToken)
|
||||
print("Corpus document count: {}".format(corpusRDD.count()))
|
||||
# 注：测试要求 corpusRDD.count() 为 400，这里根据实际数据
|
||||
|
||||
# --------------- 计算 TF（词频） ---------------
|
||||
# 对每个文档，生成 ((doc_id, term), 1) 对
|
||||
doc_term_pairs = corpus.flatMap(lambda x: [((x[0], term), 1) for term in x[1]])
|
||||
###############################
|
||||
# 3. 全局 IDF 计算
|
||||
###############################
|
||||
idfsRDD = idfs(corpusRDD)
|
||||
uniqueTokenCount = idfsRDD.count()
|
||||
print("There are {} unique tokens in the small datasets.".format(uniqueTokenCount))
|
||||
|
||||
# 对同一文档中相同词求和得到每个 (doc_id, term) 的出现次数
|
||||
# 打印 IDF 值最小的 11 个 token
|
||||
smallIDFTokens = idfsRDD.takeOrdered(11, key=lambda s: s[1])
|
||||
print("Smallest 11 IDF tokens:")
|
||||
for token, idf_value in smallIDFTokens:
|
||||
print("{}: {}".format(token, idf_value))
|
||||
|
||||
# 绘制 IDF 直方图
|
||||
small_idf_values = idfsRDD.map(lambda s: s[1]).collect()
|
||||
fig = plt.figure(figsize=(8, 3))
|
||||
plt.hist(small_idf_values, 50, log=True)
|
||||
plt.title("IDF Histogram")
|
||||
plt.xlabel("IDF value")
|
||||
plt.ylabel("Frequency (log scale)")
|
||||
plt.show()
|
||||
|
||||
###############################
|
||||
# 4. 全局 TF-IDF 计算（RDD实现）
|
||||
###############################
|
||||
# 计算 TF 部分：为每个文档生成 ((doc_id, term), tf) 对
|
||||
|
||||
doc_term_pairs = corpusRDD.flatMap(lambda x: [((x[0], term), 1) for term in x[1]])
|
||||
doc_term_counts = doc_term_pairs.reduceByKey(lambda a, b: a + b)
|
||||
|
||||
# 计算每个文档的总词数 (doc_id, total_terms)
|
||||
doc_lengths = corpus.map(lambda x: (x[0], len(x[1])))
|
||||
|
||||
# 为方便后续 join，先将 doc_term_counts 转换为 (doc_id, (term, count))
|
||||
doc_lengths = corpusRDD.map(lambda x: (x[0], len(x[1])))
|
||||
doc_term_counts_mapped = doc_term_counts.map(lambda x: (x[0][0], (x[0][1], x[1])))
|
||||
|
||||
# join 以获得每个文档的总词数
|
||||
tf_joined = doc_term_counts_mapped.join(doc_lengths)
|
||||
# tf_joined 格式：(doc_id, ((term, count), total_terms))
|
||||
|
||||
# 计算 TF： count / total_terms，输出 ((doc_id, term), tf_value)
|
||||
tf_rdd = tf_joined.map(lambda x: ((x[0], x[1][0][0]), float(x[1][0][1]) / float(x[1][1])))
|
||||
|
||||
# --------------- 计算 IDF（逆文档频率） ---------------
|
||||
# 为每个文档生成 (term, doc_id) 对，注意使用 set 去重，避免重复计数
|
||||
term_doc_pairs = corpus.flatMap(lambda x: [(term, x[0]) for term in set(x[1])])
|
||||
# 去重后统计每个 term 出现的文档数
|
||||
df_rdd = term_doc_pairs.distinct().map(lambda x: (x[0], 1)).reduceByKey(lambda a, b: a + b)
|
||||
|
||||
# 计算 IDF，不取对数，使用公式：IDF(t) = N / df
|
||||
idf_rdd = df_rdd.map(lambda x: (x[0], float(N) / float(x[1])))
|
||||
|
||||
# --------------- 计算 TF-IDF ---------------
|
||||
# 将 tf_rdd 以 term 为 key，方便与 idf_rdd join
|
||||
# 将 tf_rdd 转换为以 term 为 key，便于 join
|
||||
tf_rdd_by_term = tf_rdd.map(lambda x: (x[0][1], (x[0][0], x[1])))
|
||||
# join 得到 (term, ((doc_id, tf), idf))
|
||||
tfidf_joined = tf_rdd_by_term.join(idf_rdd)
|
||||
# 计算 TF-IDF： tf * idf，输出格式 ((doc_id, term), tfidf_value)
|
||||
# idfsRDD 格式为 (term, idf)
|
||||
tfidf_joined = tf_rdd_by_term.join(idfsRDD)
|
||||
tfidf_rdd = tfidf_joined.map(lambda x: ((x[1][0][0], x[0]), x[1][0][1] * x[1][1]))
|
||||
|
||||
# --------------- 输出 TF-IDF 结果 ---------------
|
||||
|
||||
# 将全局 TF-IDF 结果保存到 HDFS（输出目录若已存在请删除或修改）
|
||||
output_path = "hdfs://master:9000/user/root/output/tfidf"
|
||||
tfidf_rdd.saveAsTextFile(output_path)
|
||||
|
||||
# 调试时打印前 5 个 TF-IDF 结果
|
||||
print("Global TF-IDF result saved to: {}".format(output_path))
|
||||
for item in tfidf_rdd.take(5):
|
||||
print(item)
|
||||
|
||||
###############################
|
||||
# 5. 针对 Amazon 记录 "b'000hkgj8k" 的 TF-IDF 计算（使用封装函数）
|
||||
###############################
|
||||
# 提取记录 "b'000hkgj8k" 的 token 列表
|
||||
# 注意：实际记录的 doc_id 是否包含引号需与数据一致，此处示例与测试文本一致
|
||||
rec_tokens = amazonRecToToken.filter(lambda x: x[0] == "b'000hkgj8k").collect()
|
||||
if rec_tokens:
|
||||
rec_tokens = rec_tokens[0][1]
|
||||
# 将全局 idfsRDD 转换成 Python 字典
|
||||
idfsWeights = idfsRDD.collectAsMap()
|
||||
rec_tf_idf = tfidf(rec_tokens, idfsWeights)
|
||||
print('Amazon record "b000hkgj8k" has tokens and TF-IDF weights:')
|
||||
for token, weight in rec_tf_idf.items():
|
||||
print("{}: {}".format(token, weight))
|
||||
else:
|
||||
print('Record "b000hkgj8k" not found in Amazon_small.csv')
|
||||
|
||||
sc.stop()
|
||||
|
||||
Loading…
Reference in New Issue
Block a user