|
| 1 | +{ |
| 2 | + "cells": [ |
| 3 | + { |
| 4 | + "cell_type": "markdown", |
| 5 | + "id": "2087a1a9", |
| 6 | + "metadata": {}, |
| 7 | + "source": [ |
| 8 | + "## Задача 1: Сравнение предложений\n", |
| 9 | + "Дан набор предложений, скопированных с Википедии. Каждое из них имеет \"кошачью тему\" в одном из трех смыслов:\n", |
| 10 | + "* кошки (животные)\n", |
| 11 | + "* UNIX-утилита cat для вывода содержимого файлов\n", |
| 12 | + "* версии операционной системы OS X, названные в честь семейства кошачьих \n", |
| 13 | + "\n", |
| 14 | + "Задача - найти два предложения, которые ближе всего по смыслу к расположенному в самой первой строке. В качестве меры близости по смыслу использовать косинусное расстояние.\n" |
| 15 | + ] |
| 16 | + }, |
| 17 | + { |
| 18 | + "cell_type": "code", |
| 19 | + "execution_count": 191, |
| 20 | + "id": "d60fac0d", |
| 21 | + "metadata": {}, |
| 22 | + "outputs": [ |
| 23 | + { |
| 24 | + "name": "stdout", |
| 25 | + "output_type": "stream", |
| 26 | + "text": [ |
| 27 | + "(22, 254)\n" |
| 28 | + ] |
| 29 | + } |
| 30 | + ], |
| 31 | + "source": [ |
| 32 | + "import scipy as sp\n", |
| 33 | + "import numpy as np\n", |
| 34 | + "import re\n", |
| 35 | + "# Открываем файл и считываем все предложения переводя их в нижний регистр\n", |
| 36 | + "f = open('sentences.txt', 'r')\n", |
| 37 | + "t = f.read().lower()\n", |
| 38 | + "# Заводим список состоящий из всех предложений\n", |
| 39 | + "sentences = t.split(\"\\n\")\n", |
| 40 | + "# n - количество предложений (в конце - 1, потому что в конце файла стоит переход строки)\n", |
| 41 | + "n = len(t.split(\"\\n\")) - 1\n", |
| 42 | + "# Делим весь текст t на слова и убираем пустые, результат записываем в переменную b\n", |
| 43 | + "a = re.split('[^a-z]', t)\n", |
| 44 | + "b = []\n", |
| 45 | + "for word in a:\n", |
| 46 | + " if word == '':\n", |
| 47 | + " continue\n", |
| 48 | + " b.append(word)\n", |
| 49 | + "# Составляем словарь из всех различных слов, индексом каждого слова является число от 0 до (d - 1), где d - число различных слов в тексте\n", |
| 50 | + "dic = {}\n", |
| 51 | + "d = 0\n", |
| 52 | + "for word in b:\n", |
| 53 | + " if dic.get(word) == None:\n", |
| 54 | + " dic[word] = d\n", |
| 55 | + " d += 1\n", |
| 56 | + "# Создаем матрицу размером n на d\n", |
| 57 | + "matrix = np.zeros((n, d))\n", |
| 58 | + "print(matrix.shape)" |
| 59 | + ] |
| 60 | + }, |
| 61 | + { |
| 62 | + "cell_type": "code", |
| 63 | + "execution_count": 192, |
| 64 | + "id": "1659d59d", |
| 65 | + "metadata": {}, |
| 66 | + "outputs": [], |
| 67 | + "source": [ |
| 68 | + "# Функция считает количество слов word в предложении sen\n", |
| 69 | + "def cnt_of_word_in_sentence(sen, word):\n", |
| 70 | + " words_in = re.split('[^a-z]', sen)\n", |
| 71 | + " ans = 0\n", |
| 72 | + " for i in words_in:\n", |
| 73 | + " if i == word:\n", |
| 74 | + " ans += 1\n", |
| 75 | + " return ans\n", |
| 76 | + "# Заполняем матрицу: элемент с индексом (i, j) равен количеству вхождений j-го слова в i-е предложение\n", |
| 77 | + "for i in range(n):\n", |
| 78 | + " for k, j in dic.items():\n", |
| 79 | + " matrix[i, j] = cnt_of_word_in_sentence(sentences[i], k)" |
| 80 | + ] |
| 81 | + }, |
| 82 | + { |
| 83 | + "cell_type": "code", |
| 84 | + "execution_count": 193, |
| 85 | + "id": "ca122f11", |
| 86 | + "metadata": {}, |
| 87 | + "outputs": [ |
| 88 | + { |
| 89 | + "name": "stdout", |
| 90 | + "output_type": "stream", |
| 91 | + "text": [ |
| 92 | + "1 : 0.9527544408738466\n", |
| 93 | + "2 : 0.8644738145642124\n", |
| 94 | + "3 : 0.8951715163278082\n", |
| 95 | + "4 : 0.7770887149698589\n", |
| 96 | + "5 : 0.9402385695332803\n", |
| 97 | + "6 : 0.7327387580875756\n", |
| 98 | + "7 : 0.9258750683338899\n", |
| 99 | + "8 : 0.8842724875284311\n", |
| 100 | + "9 : 0.9055088817476932\n", |
| 101 | + "10 : 0.8328165362273942\n", |
| 102 | + "11 : 0.8804771390665607\n", |
| 103 | + "12 : 0.8396432548525454\n", |
| 104 | + "13 : 0.8703592552895671\n", |
| 105 | + "14 : 0.8740118423302576\n", |
| 106 | + "15 : 0.9442721787424647\n", |
| 107 | + "16 : 0.8406361854220809\n", |
| 108 | + "17 : 0.956644501523794\n", |
| 109 | + "18 : 0.9442721787424647\n", |
| 110 | + "19 : 0.8885443574849294\n", |
| 111 | + "20 : 0.8427572744917122\n", |
| 112 | + "21 : 0.8250364469440588\n", |
| 113 | + "Answer is 4 and 6\n" |
| 114 | + ] |
| 115 | + } |
| 116 | + ], |
| 117 | + "source": [ |
| 118 | + "# Находим косинусные расстояния от нулевой строки до всех остальных\n", |
| 119 | + "from scipy.spatial import distance\n", |
| 120 | + "for i in range(1, n):\n", |
| 121 | + " print(i,\":\", sp.spatial.distance.cosine(matrix[0],matrix[i]))\n", |
| 122 | + "# Индексы строк ближайших к нулевой по косинусному расстоянию: 4 и 6\n", |
| 123 | + "print(\"Answer is 4 and 6\")" |
| 124 | + ] |
| 125 | + } |
| 126 | + ], |
| 127 | + "metadata": { |
| 128 | + "kernelspec": { |
| 129 | + "display_name": "Python 3 (ipykernel)", |
| 130 | + "language": "python", |
| 131 | + "name": "python3" |
| 132 | + }, |
| 133 | + "language_info": { |
| 134 | + "codemirror_mode": { |
| 135 | + "name": "ipython", |
| 136 | + "version": 3 |
| 137 | + }, |
| 138 | + "file_extension": ".py", |
| 139 | + "mimetype": "text/x-python", |
| 140 | + "name": "python", |
| 141 | + "nbconvert_exporter": "python", |
| 142 | + "pygments_lexer": "ipython3", |
| 143 | + "version": "3.9.7" |
| 144 | + } |
| 145 | + }, |
| 146 | + "nbformat": 4, |
| 147 | + "nbformat_minor": 5 |
| 148 | +} |
0 commit comments