我有5万个文件-总共有1.62亿字。我想用Gensim做主题建模,类似于本教程here
因此,LDA需要将文档标记成单词,然后创建词频词典。在
因此,我将这些文件读入pandas数据帧中(“content”列包含文本),并执行以下操作以创建文本列表。image of dataframe attached here
texts = [[word for word in row[1]['content'].lower().split() if word not in stopwords]
for row in df.iterrows()]
但是,我遇到了一个内存错误,因为字数太大。在
我还尝试了Python中的TokenVectorizer。我也有一个记忆错误。在
def simple_tokenizer(str_input):
words = re.sub(r"[^A-Za-z0-9\-]", " ", str_input).lower().split()
return words
vectorizer = TfidfVectorizer(
use_idf=True, tokenizer=simple_tokenizer, stop_words='english')
X = vectorizer.fit_transform(df['content'])
如何处理这些非常长的文档的标记化,使其能够处理为LDA分析?在
我有一个i7,16GB的桌面,如果这很重要的话。在
编辑
因为Python无法存储非常大的列表。实际上,我重写了代码,读取每个文件(最初存储为HTML),将其转换为文本,创建一个文本向量,将其附加到一个列表中,然后将其发送到LDA代码。成功了!在
如果您需要的唯一输出是包含单词计数的字典,我将执行以下操作:
循环逐个处理文件。这样你只在内存中存储一个文件。处理它,然后转到下一个:
编辑:当涉及到在内存中保存一个非常大的字典的问题时,您必须记住Python为保持
dict
低密度保留了大量内存—这是快速查找的代价。因此,您必须寻找另一种存储键值对的方法,例如元组列表,但是查找的代价会慢得多。This question就是关于这一点的,并且有一些不错的替代品在那里描述。在相关问题 更多 >
编程相关推荐