Python, словари и Chi-Space Consengentate State
-
26-09-2019 - |
Вопрос
Это проблема, которую я давно размахивал мозги, поэтому любая помощь была бы великой. У меня есть файл, который содержит несколько строк в следующем формате (слово, время, которое слово произошло, а частота документов, содержащих данное слово в течение данного случая во времени). Ниже приведен пример того, как выглядит вход файл.
#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, который я использовал для создания 2-D-словарей для хранения вышеуказанного файла, используя 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 у меня есть отношение к вычислению определенных вещей во время итерации по записям в этом 2D-словаре. Для каждого слова «W» в каждый раз, рассчитайте:
- Количество документов с участиемСлово 'W' в пределах время 'T'. (а)
- Количество документов безСлово 'W' в пределах время 'T'. (б)
- Количество документов с участиемСлово 'W' за пределами время 'T'. (в)
- Количество документов безСлово 'W' за пределами время 'T'. (г)
Каждый из предметов выше представляет собой одну из ячеек CHI-квадратной таблицы непредвиденных обстоятельств для каждого слова и времени. Могут ли все они были рассчитаны в пределах одной петли или их нужно сделать по одному?
В идеале, я хотел бы, чтобы вывод был тем, где ниже, где A, B, C, D - все предметы, рассчитанные выше:
print "%s, %s, %s, %s" %(a,b,c,d)
В случае входного файла выше, результат попытки найти таблицу непредвиденных обстоятельств для слова «Apple» во времени «1» будет (3,2,1,6)
. Отказ Я объясню, как рассчитана каждая клетка:
- «3» документы содержат «яблоко» в течение времени «1».
- В течение нескольких лет есть «2» документы «1», которые не содержат «Apple».
- Существует «1» документ, содержащий «Apple» вне времени «1».
- Существует 6 документов вне времени «1», что не содержит слова «Apple» (1 + 4 + 1).
Решение
Ваши 4 номера для Apple / 1 добавляют до 12, более общего количества наблюдений (11)! Существует только 5 документов вне времени «1», что не содержит слова «Apple».
Вам необходимо разделить наблюдения на 4 неразмерных подскака:
A: Apple и 1 => 3
B: Not-Apple и 1 => 2
C: Apple и не-1 => 1
D: Not-Apple и Not-1 => 5
Вот какой-то код, который показывает один способ 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)
А вот выход:
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