Я хотел бы видеть основную статистику о моем корпусе, такую как счетчики слов / предложений, распределения и т. Д. У меня есть tokens_corpus_reader_ready.txt
, который содержит 137 000 строк отмеченных примеров предложений в этом формате:
Zur / APPRART Zeit / NN kostenlos / ADJD aber / KON auch / ADV nur / ADV 11 / CARD кВт. / NN Zur / APPRART Zeit / NN anscheinend / ADJD kostenlos / ADJD ./$.
...
У меня также есть TaggedCorpusReader (), для которого у меня есть метод description ():
class CSCorpusReader(TaggedCorpusReader):
def __init__(self):
TaggedCorpusReader.__init__(self, raw_corpus_path, 'tokens_corpus_reader_ready.txt')
def describe(self):
"""
Performs a single pass of the corpus and
returns a dictionary with a variety of metrics
concerning the state of the corpus.
modified method from https://github.com/foxbook/atap/blob/master/snippets/ch03/reader.py
"""
started = time.time()
# Structures to perform counting.
counts = nltk.FreqDist()
tokens = nltk.FreqDist()
# Perform single pass over paragraphs, tokenize and count
for sent in self.sents():
print(time.time())
counts['sents'] += 1
for word in self.words():
counts['words'] += 1
tokens[word] += 1
return {
'sents': counts['sents'],
'words': counts['words'],
'vocab': len(tokens),
'lexdiv': float(counts['words']) / float(len(tokens)),
'secs': time.time() - started,
}
Если я запускаю метод description в IPython следующим образом:
>> corpus = CSCorpusReader()
>> print(corpus.describe())
Между предложениями имеется примерно 7 секундная задержка:
1543770777.502544
1543770784.383989
1543770792.2057862
1543770798.992075
1543770805.819034
154437 *1022* 154437 *1022* 154437 *1022* 154437 *1022* 154437 *1022* 154437 *1022* 154437 *1022* 154437
1541024 *
Если я запускаю одно и то же с несколькими предложениями в tokens_corpus_reader_ready.txt
, время вывода вполне разумно:
1543771884.739753
1543771884.74035
1543771884.7408729
1543771884.7413561
{sents ': 4,' words ': 212,' vocab ': 42,' lexdiv ': 5.0476190476190474,' secs ': 0.002869129180908203}
Откуда происходит это поведение и как его исправить?
Редактировать 1
Не каждый раз, когда получал доступ к самому корпусу, а работал со списками, время сокращалось примерно до 3 секунд на предложение, что все еще очень долго, хотя:
sents = list(self.sents())
words = list(self.words())
# Perform single pass over paragraphs, tokenize and count
for sent in sents:
print(time.time())
counts['sents'] += 1
for word in words:
counts['words'] += 1
tokens[word] += 1