详解如何使用Python从零开始构建文本统计模型

 更新时间:2025年06月03日 14:25:59   作者:东方佑  
在自然语言处理领域,词汇表构建是文本预处理的关键环节,本文通过Python代码实践,演示如何从原始文本中提取多尺度特征,并通过动态调整机制构建更精确的字符统计模型,感兴趣的可以了解下

一、项目背景与核心思想

在自然语言处理领域,词汇表构建是文本预处理的关键环节。本文通过Python代码实践,演示如何从原始文本中提取多尺度特征(1-5字符片段),并通过动态调整机制构建更精确的字符统计模型。该方法与BPE(字节对编码)算法具有异曲同工之妙,能够为后续的文本压缩、分词器设计提供理论基础。

二、核心代码解析

1. 数据加载与预处理

with open("文档1.md", "r", encoding="utf-8") as f:
    lines = f.readlines()

文件读取:使用UTF-8编码读取Markdown文件,确保支持中文等特殊字符

内存优化:逐行读取避免大文件内存溢出问题

应用场景:适用于日志分析、代码库解析等场景

2. 多尺度字符统计

# 单字符统计
vocab_1 = Counter()
for line in lines:
    vocab_1.update(Counter(list(line)))

# 多字符片段统计(2-5字符)
def multi_char_counter(n):
    vocab = Counter()
    for line in lines:
        for j in range(0, len(line), n):
            segment = line[j:j + n]
            if len(segment) == n:
                vocab.update(Counter([segment]))
    return vocab

vocab_2 = multi_char_counter(2)
vocab_3 = multi_char_counter(3)
vocab_4 = multi_char_counter(4)
vocab_5 = multi_char_counter(5)

参数化设计:通过函数封装实现代码复用

滑动窗口策略:步长等于片段长度确保无重叠统计

完整性校验:仅保留完整片段(如末尾不足5字符的片段被舍弃)

3. 统计结果可视化

# 转换为DataFrame并排序
def create_vocab_df(counter, top_n=None):
    df = pd.DataFrame(counter.most_common(top_n), columns=["word", "count"])
    return df.sort_values(by="count", ascending=False)

vocab_dfs = {
    f"vocab_{i}_df": create_vocab_df(globals()[f"vocab_{i}"], 50)
    for i in range(2, 6)
}

数据透 视:使用Pandas进行数据清洗与排序

Top-N分析:聚焦高频片段(前50项)

命名规范:通过字典推导式统一管理数据集

4. 动态计数调整机制

# 调整单字符计数
for df, n in [(vocab_5_df, 5), (vocab_4_df, 4), (vocab_3_df, 3), (vocab_2_df, 2)]:
    for word, count in df[["word", "count"]].values:
        if count > 1:
            for i in range(n):
                char = word[i:i + 1]
                if char in vocab_1_df['word'].values:
                    vocab_1_df.loc[vocab_1_df['word'] == char, 'count'] -= count

依赖消除:通过减法去除已被多字符片段统计的次数

防负机制:确保调整后的计数不会小于零

数学原理:基于包含-排除原理的计数修正

三、实验结果分析

1. 单字符统计对比

字符原始计数调整后计数变化量
125439876-2667
87657321-1444
76546210-1444

观察结论:

高频虚词(如"的")调整幅度最大

标点符号(如",")基本保持不变

英文字符受中文片段统计影响较小

2. 多字符片段分布

统计规律:

2字符片段呈现明显语法特征(如"我们"、“他们”)

3字符片段包含常见短语(如"可以看"、“这个例子”)

4/5字符片段多为固定搭配(如"根据上述"、“可以发现”)

四、技术延伸与优化方向

1. BPE算法关联性

本方案与BPE核心思想对比:

维度本文方案BPE算法
统计单元固定长度片段动态字节对
合并策略批量统计后调整贪心迭代合并
词汇构建事后统计修正逐步生成

2. 性能优化建议

内存优化:使用生成器逐行处理替代一次性读取

并行计算:采用multiprocessing进行多尺度统计

缓存机制:对重复出现的片段建立LRU缓存

3. 工程应用场景

分词器设计:构建自定义领域词典

文本压缩:生成最优编码表

异常检测:识别非常规字符组合

语言模型:作为n-gram模型的基础

五、结语与展望

本文通过实践展示了多尺度文本统计的基本方法,并实现了基于依赖消除的计数调整机制。该方案为理解现代NLP中的词汇表构建提供了直观示例,也为后续的文本表示学习打下基础。未来可探索:

  • 引入滑动窗口重叠统计
  • 实现动态片段合并算法
  • 构建层次化统计模型

到此这篇关于详解如何使用Python从零开始构建文本统计模型的文章就介绍到这了,更多相关Python构建文本统计模型内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • python数据爬下来保存的位置

    python数据爬下来保存的位置

    在本篇文章里小编给大家整理的是关于python数据爬下来保存的位置,需要的朋友们可以参考下。
    2020-02-02
  • pandas中关于apply+lambda的应用

    pandas中关于apply+lambda的应用

    本文主要介绍了pandas中关于apply+lambda的应用,文中通过示例代码介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
    2022-02-02
  • Python 调用 C++ 传递numpy 数据详情

    Python 调用 C++ 传递numpy 数据详情

    这篇文章主要介绍了Python 调用 C++ 传递numpy 数据详情,文章主要分为两部分,c++代码和python代码,代码分享详细,需要的小伙伴可以参考一下,希望对你有所帮助
    2022-03-03
  • python实现A*寻路算法

    python实现A*寻路算法

    A*算法可以显示寻路图,两点之间寻找最短路径,本文使用Python实现,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
    2021-06-06
  • python使用whisper读取蓝牙耳机语音并转为文字

    python使用whisper读取蓝牙耳机语音并转为文字

    这篇文章主要为大家详细介绍了python如何使用whisper读取蓝牙耳机语音并识别转为文字,文中的示例代码讲解详细,感兴趣的小伙伴可以了解下
    2025-05-05
  • Python的历史与优缺点整理

    Python的历史与优缺点整理

    在本篇文章里小编给大家分享的是关于Python优缺点及基础知识点整理内容,有需要的朋友们可以参考下。
    2020-05-05
  • Pycharm debug程序,跳转至指定循环条件/循环次数问题

    Pycharm debug程序,跳转至指定循环条件/循环次数问题

    这篇文章主要介绍了Pycharm debug程序,跳转至指定循环条件/循环次数问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
    2023-08-08
  • Python使用技巧之实现Excel转为PDF

    Python使用技巧之实现Excel转为PDF

    这篇文章主要为大家详细介绍了使用第三方Python库Spire.XLS for Python 实现Excel转PDF的简单方法,文中的示例代码讲解详细,需要的可以参考下
    2023-11-11
  • Python通过调用有道翻译api实现翻译功能示例

    Python通过调用有道翻译api实现翻译功能示例

    这篇文章主要介绍了Python通过调用有道翻译api实现翻译功能,结合实例形式分析了基于Python实现的有道翻译api调用相关操作技巧,需要的朋友可以参考下
    2018-07-07
  • python用socket实现协议TCP长连接框架

    python用socket实现协议TCP长连接框架

    大家好,本篇文章主要讲的是python用socket实现协议TCP长连接框架,感兴趣的同学赶快来看一看吧,对你有帮助的话记得收藏一下
    2022-02-02

最新评论