-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathinverted_document_frequency.py
196 lines (183 loc) · 17.1 KB
/
inverted_document_frequency.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
# coding=utf-8
import math
import os
import re
import unicodedata
from mrjob.job import MRJob
from mrjob.step import MRStep
# For each word, calculates its Inverted Document Frequency using the given documents.
class MRInvertedDocumentFrequency(MRJob):
TOTAL_NUMB_OF_DOCUMENTS = 461
STOP_WORDS_ES = ["a", "actualmente", "acuerdo", "adelante", "ademas", "además", "adrede", "afirmó", "agregó", "ahi",
"ahora", "ahí", "al", "algo", "alguna", "algunas", "alguno", "algunos", "algún", "alli", "allí",
"alrededor", "ambos", "ampleamos", "antano", "antaño", "ante", "anterior", "antes", "apenas",
"aproximadamente", "aquel", "aquella", "aquellas", "aquello", "aquellos", "aqui", "aquél",
"aquélla", "aquéllas", "aquéllos", "aquí", "arriba", "arribaabajo", "aseguró", "asi", "así",
"atras", "aun", "aunque", "ayer", "añadió", "anadió", "aún", "b", "bajo", "bastante", "bien",
"breve", "buen", "buena", "buenas", "bueno", "buenos", "c", "cada", "casi", "cerca", "cierta",
"ciertas", "cierto", "ciertos", "cinco", "claro", "comentó", "como", "con", "conmigo", "conocer",
"conseguimos", "conseguir", "considera", "consideró", "consigo", "consigue", "consiguen",
"consigues", "contigo", "contra", "cosas", "creo", "cual", "cuales", "cualquier", "cuando",
"cuanta", "cuantas", "cuanto", "cuantos", "cuatro", "cuenta", "cuál", "cuáles", "cuándo", "cuánta",
"cuántas", "cuánto", "cuántos", "cómo", "d", "da", "dado", "dan", "dar", "de", "debajo", "debe",
"deben", "debido", "decir", "dejó", "del", "delante", "demasiado", "demás", "dentro", "deprisa",
"desde", "despacio", "despues", "después", "detras", "detrás", "dia", "dias", "dice", "dicen",
"dicho", "dieron", "diferente", "diferentes", "dijeron", "dijo", "dio", "donde", "dos", "durante",
"día", "días", "dónde", "e", "ejemplo", "el", "ella", "ellas", "ello", "ellos", "embargo",
"empleais", "emplean", "emplear", "empleas", "empleo", "en", "encima", "encuentra", "enfrente",
"enseguida", "entonces", "entre", "era", "eramos", "eran", "eras", "eres", "es", "esa", "esas",
"ese", "eso", "esos", "esta", "estaba", "estaban", "estado", "estados", "estais", "estamos",
"estan", "estar", "estará", "estas", "este", "esto", "estos", "estoy", "estuvo", "está", "están",
"ex", "excepto", "existe", "existen", "explicó", "expresó", "f", "fin", "final", "fue", "fuera",
"fueron", "fui", "fuimos", "g", "general", "gran", "grandes", "gueno", "h", "ha", "haber", "habia",
"habla", "hablan", "habrá", "había", "habían", "hace", "haceis", "hacemos", "hacen", "hacer",
"hacerlo", "haces", "hacia", "haciendo", "hago", "han", "hasta", "hay", "haya", "he", "hecho",
"hemos", "hicieron", "hizo", "horas", "hoy", "hubo", "i", "igual", "incluso", "indicó", "informo",
"informó", "intenta", "intentais", "intentamos", "intentan", "intentar", "intentas", "intento",
"ir", "j", "junto", "k", "l", "la", "lado", "largo", "las", "le", "lejos", "les", "llegó", "lleva",
"llevar", "lo", "los", "luego", "lugar", "m", "mal", "manera", "manifestó", "mas", "mayor", "me",
"mediante", "medio", "mejor", "mencionó", "menos", "menudo", "mi", "mia", "mias", "mientras",
"mio", "mios", "mis", "misma", "mismas", "mismo", "mismos", "modo", "momento", "mucha", "muchas",
"mucho", "muchos", "muy", "más", "mí", "mía", "mías", "mío", "míos", "n", "nada", "nadie", "ni",
"ninguna", "ningunas", "ninguno", "ningunos", "ningún", "no", "nos", "nosotras", "nosotros",
"nuestra", "nuestras", "nuestro", "nuestros", "nueva", "nuevas", "nuevo", "nuevos", "nunca", "o",
"ocho", "os", "otra", "otras", "otro", "otros", "p", "pais", "para", "parece", "parte", "partir",
"pasada", "pasado", "paìs", "peor", "pero", "pesar", "poca", "pocas", "poco", "pocos", "podeis",
"podemos", "poder", "podria", "podriais", "podriamos", "podrian", "podrias", "podrá", "podrán",
"podría", "podrían", "poner", "por", "porque", "posible", "primer", "primera", "primero",
"primeros", "principalmente", "pronto", "propia", "propias", "propio", "propios", "proximo",
"próximo", "próximos", "pudo", "pueda", "puede", "pueden", "puedo", "pues", "q", "qeu", "que",
"quedó", "queremos", "quien", "quienes", "quiere", "quiza", "quizas", "quizá", "quizás", "quién",
"quiénes", "qué", "r", "raras", "realizado", "realizar", "realizó", "repente", "respecto", "s",
"sabe", "sabeis", "sabemos", "saben", "saber", "sabes", "salvo", "se", "sea", "sean", "segun",
"segunda", "segundo", "según", "seis", "ser", "sera", "será", "serán", "sería", "señaló", "senaló",
"si", "sido", "siempre", "siendo", "siete", "sigue", "siguiente", "sin", "sino", "sobre", "sois",
"sola", "solamente", "solas", "solo", "solos", "somos", "son", "soy", "soyos", "su", "supuesto",
"sus", "suya", "suyas", "suyo", "sé", "sí", "sólo", "t", "tal", "tambien", "también", "tampoco",
"tan", "tanto", "tarde", "te", "temprano", "tendrá", "tendrán", "teneis", "tenemos", "tener",
"tenga", "tengo", "tenido", "tenía", "tercera", "ti", "tiempo", "tiene", "tienen", "toda", "todas",
"todavia", "todavía", "todo", "todos", "total", "trabaja", "trabajais", "trabajamos", "trabajan",
"trabajar", "trabajas", "trabajo", "tras", "trata", "través", "tres", "tu", "tus", "tuvo", "tuya",
"tuyas", "tuyo", "tuyos", "tú", "u", "ultimo", "un", "una", "unas", "uno", "unos", "usa", "usais",
"usamos", "usan", "usar", "usas", "uso", "usted", "ustedes", "v", "va", "vais", "valor", "vamos",
"van", "varias", "varios", "vaya", "veces", "ver", "verdad", "verdadera", "verdadero", "vez",
"vosotras", "vosotros", "voy", "vuestra", "vuestras", "vuestro", "vuestros", "w", "x", "y", "ya",
"yo", "z", "él", "ésa", "ésas", "ése", "ésos", "ésta", "éstas", "éste", "éstos", "última",
"últimas", "último", "últimos"]
STOP_WORDS_EN = ["a", "a's", "able", "about", "above", "according", "accordingly", "across", "actually", "after",
"afterwards", "again", "against", "ain't", "all", "allow", "allows", "almost", "alone", "along",
"already", "also", "although", "always", "am", "among", "amongst", "an", "and", "another", "any",
"anybody", "anyhow", "anyone", "anything", "anyway", "anyways", "anywhere", "apart", "appear",
"appreciate", "appropriate", "are", "aren't", "around", "as", "aside", "ask", "asking",
"associated", "at", "available", "away", "awfully", "b", "be", "became", "because", "become",
"becomes", "becoming", "been", "before", "beforehand", "behind", "being", "believe", "below",
"beside", "besides", "best", "better", "between", "beyond", "both", "brief", "but", "by", "c",
"c'mon", "c's", "came", "can", "can't", "cannot", "cant", "cause", "causes", "certain",
"certainly", "changes", "clearly", "co", "com", "come", "comes", "concerning", "consequently",
"consider", "considering", "contain", "containing", "contains", "corresponding", "could",
"couldn't", "course", "currently", "d", "definitely", "described", "despite", "did", "didn't",
"different", "do", "does", "doesn't", "doing", "don't", "done", "down", "downwards", "during", "e",
"each", "edu", "eg", "eight", "either", "else", "elsewhere", "enough", "entirely", "especially",
"et", "etc", "even", "ever", "every", "everybody", "everyone", "everything", "everywhere", "ex",
"exactly", "example", "except", "f", "far", "few", "fifth", "first", "five", "followed",
"following", "follows", "for", "former", "formerly", "forth", "four", "from", "further",
"furthermore", "g", "get", "gets", "getting", "given", "gives", "go", "goes", "going", "gone",
"got", "gotten", "greetings", "h", "had", "hadn't", "happens", "hardly", "has", "hasn't", "have",
"haven't", "having", "he", "he's", "hello", "help", "hence", "her", "here", "here's", "hereafter",
"hereby", "herein", "hereupon", "hers", "herself", "hi", "him", "himself", "his", "hither",
"hopefully", "how", "howbeit", "however", "i", "i'd", "i'll", "i'm", "i've", "ie", "if", "ignored",
"immediate", "in", "inasmuch", "inc", "indeed", "indicate", "indicated", "indicates", "inner",
"insofar", "instead", "into", "inward", "is", "isn't", "it", "it'd", "it'll", "it's", "its",
"itself", "j", "just", "k", "keep", "keeps", "kept", "know", "known", "knows", "l", "last",
"lately", "later", "latter", "latterly", "least", "less", "lest", "let", "let's", "like", "liked",
"likely", "little", "look", "looking", "looks", "ltd", "m", "mainly", "many", "may", "maybe", "me",
"mean", "meanwhile", "merely", "might", "more", "moreover", "most", "mostly", "much", "must", "my",
"myself", "n", "name", "namely", "nd", "near", "nearly", "necessary", "need", "needs", "neither",
"never", "nevertheless", "new", "next", "nine", "no", "nobody", "non", "none", "noone", "nor",
"normally", "not", "nothing", "novel", "now", "nowhere", "o", "obviously", "of", "off", "often",
"oh", "ok", "okay", "old", "on", "once", "one", "ones", "only", "onto", "or", "other", "others",
"otherwise", "ought", "our", "ours", "ourselves", "out", "outside", "over", "overall", "own", "p",
"particular", "particularly", "per", "perhaps", "placed", "please", "plus", "possible",
"presumably", "probably", "provides", "q", "que", "quite", "qv", "r", "rather", "rd", "re",
"really", "reasonably", "regarding", "regardless", "regards", "relatively", "respectively",
"right", "s", "said", "same", "saw", "say", "saying", "says", "second", "secondly", "see",
"seeing", "seem", "seemed", "seeming", "seems", "seen", "self", "selves", "sensible", "sent",
"serious", "seriously", "seven", "several", "shall", "she", "should", "shouldn't", "since", "six",
"so", "some", "somebody", "somehow", "someone", "something", "sometime", "sometimes", "somewhat",
"somewhere", "soon", "sorry", "specified", "specify", "specifying", "still", "sub", "such", "sup",
"sure", "t", "t's", "take", "taken", "tell", "tends", "th", "than", "thank", "thanks", "thanx",
"that", "that's", "thats", "the", "their", "theirs", "them", "themselves", "then", "thence",
"there", "there's", "thereafter", "thereby", "therefore", "therein", "theres", "thereupon",
"these", "they", "they'd", "they'll", "they're", "they've", "think", "third", "this", "thorough",
"thoroughly", "those", "though", "three", "through", "throughout", "thru", "thus", "to",
"together", "too", "took", "toward", "towards", "tried", "tries", "truly", "try", "trying",
"twice", "two", "u", "un", "under", "unfortunately", "unless", "unlikely", "until", "unto", "up",
"upon", "us", "use", "used", "useful", "uses", "using", "usually", "uucp", "v", "value", "various",
"very", "via", "viz", "vs", "w", "want", "wants", "was", "wasn't", "way", "we", "we'd", "we'll",
"we're", "we've", "welcome", "well", "went", "were", "weren't", "what", "what's", "whatever",
"when", "whence", "whenever", "where", "where's", "whereafter", "whereas", "whereby", "wherein",
"whereupon", "wherever", "whether", "which", "while", "whither", "who", "who's", "whoever",
"whole", "whom", "whose", "why", "will", "willing", "wish", "with", "within", "without", "won't",
"wonder", "would", "wouldn't", "x", "y", "yes", "yet", "you", "you'd", "you'll", "you're",
"you've", "your", "yours", "yourself", "yourselves", "z", "zero"]
SPECIAL_CHARACTERS_RE = re.compile("[^A-Za-z]+")
MAIN_WORDS = ["project", "casa", "don", "dios", "hombre", "vida", "gutenbergtm", "senor", "tenia", "ojos", "work",
"padre", "tierra", "mujer", "noche", "mano", "mundo", "anos", "hombres", "habian", "works", "cabeza",
"gutenberg", "cosa", "rey", "pueblo", "amor", "juan", "voz", "hijo", "dona", "manos", "alma",
"nombre", "electronic", "puerta", "madre", "joven", "senora", "paso", "podia", "iba", "ciudad",
"palabras", "corazon", "agua", "gente", "camino", "punto", "muerte", "foundation", "grande", "luz",
"san", "mil", "demas", "pobre", "visto", "terms", "hija", "algun", "amigo", "parecia", "palabra",
"hubiera", "alla", "mar", "calle", "hijos", "cielo", "manana", "cuerpo", "espana", "seaor", "hora",
"ano", "sol", "caso", "agreement", "rio", "vista", "madrid", "historia", "idea", "fuerza", "razon",
"capitan", "vino", "mujeres", "frente", "puesto", "espiritu", "obra", "pie", "duda", "causa", "orden",
"decia", "seria", "states"]
def steps(self):
return [
MRStep(mapper=self.mapper_get_occurrence_for_word_and_doc_name,
reducer=self.reducer_calculate_idf_for_word)
]
# Yields [word, document name] for each word in the line.
def mapper_get_occurrence_for_word_and_doc_name(self, _, line):
# Gets the input file name.
try:
doc_name = os.getenv('mapreduce_map_input_file')
except KeyError:
doc_name = os.getenv('map_input_file')
# In order to yield a pair, the word has to pass the validation filter.
for word in line.split():
try:
# Converts the word into unicode in order to make next transformations.
norm_word = unicode(word, "iso-8859-1")
norm_word = norm_word.lower()
# Verifies that the word until then is not a stop word.
if norm_word not in self.STOP_WORDS_ES and norm_word not in self.STOP_WORDS_EN:
# Normalizes the unicode word to the 'Normal Form Composed' i.e. replaces accent letters with non
# accented ones.
norm_word = unicodedata.normalize('NFD', norm_word).encode('ascii', 'ignore')
# Removes every special character from the normalized word.
norm_word = re.sub(self.SPECIAL_CHARACTERS_RE, '', norm_word)
# Makes possible remaining uppercase letters lowercase ones.
norm_word = norm_word.lower()
# Verifies that the resulting normalized word is not an empty string.
if norm_word != "" and norm_word not in self.STOP_WORDS_ES and norm_word not in self.STOP_WORDS_EN:
if norm_word in self.MAIN_WORDS:
# Yields the word after the filtering.
yield norm_word, doc_name
except:
# There was a problem filtering the word and it is discarded thus.
None
# Prints [word, inverted document frequency] for each word.
def reducer_calculate_idf_for_word(self, word, doc_names):
# Iterates over the doc_names (Generator) to insert them in a set doc_names and get the unique doc_names.
unique_doc_name_list = set()
for doc_name in doc_names:
unique_doc_name_list.add(doc_name)
# Calculates the Inverted Document Frequency using its formula. The denominator must be cast to float in order
# to obtain a floating point division. len(unique_doc_name_list) is the number of documents in which the word
# appears.
inverted_document_frequency = math.log10(self.TOTAL_NUMB_OF_DOCUMENTS / float(len(unique_doc_name_list)))
# Formats the output. ';;' is selected to separate the word from its inverted document frequency.
row = word + ";;" + ('%.6f' % inverted_document_frequency)
print row
if __name__ == '__main__':
MRInvertedDocumentFrequency.run()