python获取txt文件词向量过程详解

Python  /  管理员 发布于 7年前   187

在读取https://github.com/Embedding/Chinese-Word-Vectors中的中文词向量时，选择了一个有3G多的txt文件，之前在做词向量时用的是word2vec，所以直接导入模型然后indexword即可。

因为这是一个txt大文件，尝试了DataFrame，np.loadtxt等，都没有成功，其中主要遇到的问题是：

• 如何读取完整的大文件，而不会出现内存不足memery error等问题
• 将读取出来的文件，保存为npy文件
• 根据词找到对应的向量

解决办法：

尝试使用的代码：

代码1:try:lines=np.loadtxt(filepath)catch:感觉这块不会写了咦，，，  print(ValueError)但这样的话，它就不会继续循环去读上边的txt了呢

代码2：lines=[]with open(filepath) as f:  for line in f:    lines.append(line)np.save(filepath,lines)

代码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(' ') # 因为第一行是统计信息，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赋值#       embedId[splits[0]] = lineId#       # embeddings赋值#       emb = [float(splits[i]) for i in range(1, 300)]#       embeddings.append(emb)#   return embedId, embeddings

代码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

具体内存不足主要的原因是：

我的虚拟机中确实内存不太够，后来使用实验室32G的主机后，可以得到idvec，而得不到向量的，报的错还是memory error.
另一个原因，是需要把词向量转换为float形式，在python中str 占的内存>float类型，如代码所示：

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 49float 24int 28list 64tuple 48dic 64

在我的电脑，64位操作系统，64位的python, 所占内存大小排序为：

dic=list>str>tuple>int>float

读取时候可以用np.load().item就可以复原原来的字典，主要参照下述文件：

然后通过python的字典操作就可以遍历得到每个词的词向量了，dic[vocab]

心得：

距离完全解决项目的问题还有5~6的大关卡,但静下心来，一步步地做总会突破的呀！

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。