質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.62%

  • Python

    7447questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • Python 3.x

    5858questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

python 形態素解析した内容をテキストファイルに書く

解決済

回答 1

投稿

  • 評価
  • クリップ 2
  • VIEW 277

---stax---

score 62

表題の件について質問させてください
pythonで形態素解析した内容をテキストファイルに起こそうとしたのですが、書き込んだ内容が反映されず苦戦しています(生成されたテキストファイルを見ると容量が増えたり0になったりします)

環境はWindows上でAnacondaを使用してjupyter notebookでコードを書いています
分かち書きに使用しているのはjanome、word2vecにはgensimのモジュールを使用しています
テキストファイルはwebから適当なダミーを落として使用しています 

ファイルに書き出そうとしているのは以下の部分です
知識が浅く初歩的な内容かと思いますがアドバイスよろしくお願いいたします

with open("test_token.txt", "w") as fp:
        for token in tokens:
            word.append(token)
            fp.write(str(word))
            fp.write("\n")

以下コード全文

from janome.tokenizer import Tokenizer
from gensim.models import word2vec
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt
import logging
import sys
import re
import numpy as np


word=[]

## textファイルを開く
# \はエラー、\\で表記する
textfile = open('C:\\Users\\Desktop\\sanshiro.txt')
# textファイルの内容を読み込む(文字列を返す)
line = textfile.read()
textfile.close()


## ファイル整形
# |の除去
line = line.replace('|','')
#ルビの除去
line = re.sub('《.+?》', '', line)
#入力注の除去
line = re.sub('[#.+?]', '', line)
# 空行の削除
text = re.sub('\n\n', '\n', line) 
text = re.sub('\r', '', line)


#### 果確認
# 先頭100文字出力
print(line[:100])

#--------------------------------------------------------関数
## 分かち書き(janome使用)
# Tokenizerのインスタンス生成
t = Tokenizer()
# 文字列型を引数とする
def extract_words(text):  
    #tokenizeメソッドに文字列の引数を渡して形態素解析を行う,tokensはlist型
    #中身は。区切りした文が形態素解析された状態で入っている
    #うとうととして目がさめると女はいつのまにか、隣のじいさんと話を始めている。
    #⇒['うとうと', 'と', 'し', 'て', '目', 'が', 'さめる', 'と', '女', 'は', 'いつのまにか', '、', '隣', 'の', 'じいさん', 'と', '話', 'を', '始め', 'て', 'いる']
    tokens = t.tokenize(text) 


    with open("test_token.txt", "w") as fp:
        for token in tokens:
            word.append(token)
            fp.write(str(word))
            fp.write("\n")


    #リスト内包表記を使用して形態素解析されたリストtokensの中身の品詞を、区切りにして原型(引数で受け取ったままの形式)のまま返す 
    return [token.base_form for token in tokens
            if token.part_of_speech.split(',')[0]]


#。区切りにする
sentences = line.split('。')
wordlist = [extract_words(sentence) for sentence in sentences]


#word2vec学習開始
model = word2vec.Word2Vec(wordlist, size=200, min_count=5, window=5, iter=100)
word2vec_model=model

print(model['世間'])    
ret = model.wv.most_similar(positive=['世間']) 
for item in ret:
    print(item[0], item[1])    
  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

checkベストアンサー

0

関数extract_wordsを呼び出すたびに、上書きしてしまっているのだと思います。
追記モードでファイルを開いてみてください。⇒ open("test_token.txt", "a")


良く考えたら、毎回ファイルを開くのってものすごく無駄になりそうですね。
extract_wordsがファイルオブジェクトを受け取る仕様にすれば良いかも。

def extract_words(text, fp=sys.stdout):
    ...

    for token in tokens:
        word.append(token)
        fp.write(str(word))  # 単にwritelines使っちゃダメなの?
        fp.write("\n")

    ...

...

with open('test_token.txt', 'w') as fp:
    wordlist = [extract_words(sentence, fp) for sentence in sentences]

...

引数なしで呼び出せば標準出力で見られるというおまけつきです。

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2018/04/26 20:48

    分かりにくいコードにも関わらず丁寧に回答いただきありがとうございます。
    open("test_token.txt", "a")こちらのコードしか試せていないのですが、ファイルには書き込まれていました。
    ただ、元は300㎅程度のテキストファイルを形態素解析しているのですが、その内容をテキストファイルに書き出そうとすると8㎇程度まで膨れ上がっていました(止まる気配がなかったので途中で止めてしまいました・・・)
    こんなにも容量は肥大してしまうものなのでしょうか?

    また、重ねて質問になってしまい申し訳ないのですが、頂いた回答の中で「関数extract_wordsを呼び出すたびに、上書きしてしまっている」とありますが、関数extract_wordsを呼び出しているのは
    wordlist = [extract_words(sentence) for sentence in sentences]
    この一回だけなのかなと思うのですが、そうではないのでしょうか?
    自分で書いたコードなのに理解できておらず申し訳ありません。
    もしよろしければご教授のほど宜しくお願いいたします。

    キャンセル

  • 2018/04/26 20:53 編集

    > こんなにも容量は肥大してしまうものなのでしょうか?

    wordリストを毎回書き出しているので、重複した内容が多いと推察します。
    意図的にそのように書いている可能性を否定しきれないので、私のコードでもそのままにしています。

    ---
    > この一回だけなのかなと思うのですが、そうではないのでしょうか?

    [extract_words(sentence) for sentence in sentences] はリスト内包表記と呼ばれる記法で、処理の内容としては次のように書いているのと同じです。

    wordlist = []
    for sentence in sentences:
    ...word_list.append(extract_words(sentence))
    註: 空白をドットで代替しています。

    つまり、sentencesの要素数だけextract_wordsが呼ばれています。

    キャンセル

  • 2018/04/26 21:21

    素早い回答ありがとうございます。
    目的としては学習させた内容を可視化させようと思いEmbedding Projectorというものを使うためにテキストファイルを作成しようと考えました。
    どのようにデータを成型しておくのが正解か分からない状態で進めていました。
    私の書いたコードだと、元となるテキストファイルを形態素解析したすべての内容を書き出している、ということになるのでしょうか?
    自分で書いていながら変な質問で申し訳ありません。

    リスト内包表記についてもありがとうございます。
    非常に分かりやすいです。
    何度も質問して申し訳ないのですが、リスト内包表記を使用している箇所がもう一か所あって、その部部についてなのですが、
    return [token.base_form for token in tokens
        if token.part_of_speech.split(',')[0]]
    上記のように記述している箇所なのですが、これは
    for token in tokens:
    if token.part_of_speech.split(',')[0]:
    return token.base_form
    という内容になるのでしょうか?
    ifで条件分岐しているのかなと思ったのですがメソッドが呼ばれており、webのサンプルを見ながら書いたのですが理解が難しいです・・・
    重ねて申し訳ありませんがアドバイス宜しくお願いいたします。

    キャンセル

  • 2018/04/26 21:22

    インデントが出来ておらず申し訳ありません・・・

    キャンセル

  • 2018/04/26 22:06

    > 私の書いたコードだと、元となるテキストファイルを形態素解析したすべての内容を書き出している、ということになるのでしょうか?

    形態素解析して、形態素毎に次の操作をしています。
    ・ wordsにその形態素を追加
    ・ wordsをファイルに書き出す

    おそらくここでwordsをファイルに書き出すのは論理エラーです。

    ---
    > return [token.base_form for token in tokens if token.part_of_speech.split(',')[0]]

    惜しいですね。次のように書いているのと処理の結果は同じです。

    ret = []
    for token in tokens:
    ....if token.part_of_speech.split(',')[0]:
    ........ret.append(token.base_form)
    return ret

    註:空白をドットで代替しています。

    キャンセル

  • 2018/04/26 22:07

    Pythonの入門書を一冊読んでおくと、何かと学習がスムーズになると思います。

    キャンセル

  • 2018/04/26 22:36

    回答ありがとうございます。
    ファイルの書き出しについては書き出すタイミングや形式をもう少し考えてみます。
    頂いたコードもぜひ試させて頂きます。

    ifが条件式ではなくメソッドという部分が見たことがなくなかなか難しいです。
    リスト内包表記について慣れるとともに基礎も理解します。

    自分の実力に見合う内容でない所に触れているのでまずは基本の構文だけでも理解できるよう努力致します。

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 90.62%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

  • 解決済

    pythonのコードについての質問

    pythonについての質問です gensimのチュートリアルのコードです >>>from gensim import corpora, models, similariti

  • 受付中

    TF-IDF値が一定値以上のものをデータとして保持する

    前提・実現したいこと 現在、指定したテキストファイルから一定値以上のTF-IDF値を持つ単語をkeywordとして抽出し、keywordとそのTF-IDF値をセットで入力データとし

  • 解決済

    PYTHONの正規表現による置換について

    前提・実現したいこと ここに質問したいことを詳細に書いてください PYTHON言語、初心者です。>< 特定文字列(\t)で始まる行について、 空白で囲まれているか行末の文字

  • 解決済

    Pythonでの形態素解析について

    表題の件で質問させてください Pythonでjanomeを用いて形態素解析を行いたいと考えています windowsを用いて開発しています データベースからは value列から”

  • 解決済

    cannot compute lda over an empty collection (no te...

    LDAを実行したいのですが 以下のエラーが表示されます。何が原因か教えてください。 やりたいことのイメージとしては、フォルダの各テキストファイルのトピックを知りたいといった感

  • 解決済

    JanomeのAnalyzer中の引数(token_filters = token_filters)...

    サイト通りのコードを入力したのですが、エラーが出てしまいます。 問題箇所のエラーを調べたのですが、どこを探しても Analyzer(token_filters = token_

  • 解決済

    pythonで感情の値をつける際のエラー

     前提・実現したいこと pythonでjanomeを使っていたらエラーが出た  発生している問題・エラーメッセージ tokenize_result = b.tokenizer

  • 解決済

    janomeで形態素解析をしたいです。

     前提・実現したいこと 形態素解析を行う必要があり、ダウンロード不要なjanomeを使おうとしたのですが、 以下のエラーメッセージが発生しました。 参考にしたホームページ ht

同じタグがついた質問を見る

  • Python

    7447questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • Python 3.x

    5858questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。