python獲取txt文件詞向量過程詳解
在讀取https://github.com/Embedding/Chinese-Word-Vectors中的中文詞向量時,選擇了一個有3G多的txt文件,之前在做詞向量時用的是word2vec,所以直接導入模型然后indexword即可。
因為這是一個txt大文件,嘗試了DataFrame,np.loadtxt等,都沒有成功,其中主要遇到的問題是:
- 如何讀取完整的大文件,而不會出現(xiàn)內(nèi)存不足memery error等問題
- 將讀取出來的文件,保存為npy文件
- 根據(jù)詞找到對應的向量
解決辦法:
嘗試使用的代碼:
代碼1: try: lines=np.loadtxt(filepath) catch: 感覺這塊不會寫了咦,,, print(ValueError) 但這樣的話,它就不會繼續(xù)循環(huán)去讀上邊的txt了呢
代碼2:
lines=[]
with open(filepath) as f:
for line in f:
lines.append(line)
np.save(filepath,lines)
代碼3
def readEmbedFile(embedFile):
# embedId = {}
# input = open(embedFile,'r',encoding="utf-8")
# lines = []
# a=0
# for line in input:
# lines.append(line)
# a=a+1
# print(a)
# nwords = len(lines) - 1
# splits = lines[1].strip().split(' ') # 因為第一行是統(tǒng)計信息,所以用第二行
# dim = len(splits) - 1
# embeddings=[]
# # embeddings = [[0 for col in range(dim)] for row in range(nwords)]
# b=0
# for lineId in range(len(lines)):
# b=b+1
# print(b)
# splits = lines[lineId].split(' ')
# if len(splits) > 2:
# # embedId賦值
# embedId[splits[0]] = lineId
# # embeddings賦值
# emb = [float(splits[i]) for i in range(1, 300)]
# embeddings.append(emb)
# return embedId, embeddings
代碼4:
def load_txt(filename):
lines=[]
vec_dict={}
with open(filename,r) as f:
for line in f:
list=line.strip()
lines.append(line)
for i, line in emuate(lines):
if i=0:
continue
line=line.split(" ")
wordID=line[0]
wordvec=[float line[i] for i in range(1,300)]
vec_dict[wordId]=np.array(wordvec)
return vec_dict
具體內(nèi)存不足主要的原因是:
我的虛擬機中確實內(nèi)存不太夠,后來使用實驗室32G的主機后,可以得到idvec,而得不到向量的,報的錯還是memory error.
另一個原因,是需要把詞向量轉(zhuǎn)換為float形式,在python中str 占的內(nèi)存>float類型,如代碼所示:
print("str",sys.getsizeof(""))
print("float",sys.getsizeof(1.1))
print("int",sys.getsizeof(1))
print("list",sys.getsizeof([]))
print("tuple",sys.getsizeof(()))
print("dic",sys.getsizeof([]))
str 49 float 24 int 28 list 64 tuple 48 dic 64
在我的電腦,64位操作系統(tǒng),64位的python, 所占內(nèi)存大小排序為:
dic=list>str>tuple>int>float
讀取時候可以用np.load().item就可以復原原來的字典,主要參照下述文件:
然后通過python的字典操作就可以遍歷得到每個詞的詞向量了,dic[vocab]
心得:
距離完全解決項目的問題還有5~6的大關(guān)卡,但靜下心來,一步步地做總會突破的呀!
以上就是本文的全部內(nèi)容,希望對大家的學習有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
Python?Prometheus接口揭秘數(shù)據(jù)科學新技巧
本篇文章將分享Prometheus?API的基本概念到PromQL查詢語言的應用,再到如何通過Python與Prometheus?API進行無縫交互,通過豐富的示例代碼和詳細的講解,將解鎖使用Python進行實時監(jiān)控的奇妙世界,為讀者打開更廣闊的數(shù)據(jù)分析視野2024-01-01
Windows11使用Cpython?編譯文件報錯?error:?Unable?to?find?vcvars
這篇文章主要介紹了Windows11使用Cpython編譯文件報錯error:Unable?to find?vcvarsall.bat完美解決方法,本文通過圖文并茂的形式給大家介紹的非常詳細,對大家的學習或工作具有一定的參考借鑒價值,需要的朋友可以參考下2023-05-05

