回答編集履歴
2
補足
test
CHANGED
|
@@ -61,3 +61,299 @@
|
|
|
61
61
|
|
|
62
62
|
|
|
63
63
|
あと適度に関数分割されることをお勧め致します。
|
|
64
|
+
|
|
65
|
+
|
|
66
|
+
|
|
67
|
+
---
|
|
68
|
+
|
|
69
|
+
|
|
70
|
+
|
|
71
|
+
> 「udic_encをutf-8-sigに」したのは、簡略辞書のdict_simple_utf8.csvと、encodingを一緒にしなくてはならなかったからでしょうか。
|
|
72
|
+
|
|
73
|
+
|
|
74
|
+
|
|
75
|
+
はい、そうです。
|
|
76
|
+
|
|
77
|
+
|
|
78
|
+
|
|
79
|
+
> 関数化に関して
|
|
80
|
+
|
|
81
|
+
|
|
82
|
+
|
|
83
|
+
関数の分け方は一つの纏まり「入力→加工→出力」この形を一つとして分けると良いです。
|
|
84
|
+
|
|
85
|
+
|
|
86
|
+
|
|
87
|
+
質問文のコードが行っていることは、
|
|
88
|
+
|
|
89
|
+
0. pandasを使って、csvの内容を読み取り。
|
|
90
|
+
|
|
91
|
+
0. janome用のカスタム辞書を作成。
|
|
92
|
+
|
|
93
|
+
0. 1で読み取った内容に対して、janomeで形態解析。
|
|
94
|
+
|
|
95
|
+
0. エクセル作成
|
|
96
|
+
|
|
97
|
+
|
|
98
|
+
|
|
99
|
+
この4つの処理です。以下は書き換えたソースコードです、ご参考まで。
|
|
100
|
+
|
|
101
|
+
```Python
|
|
102
|
+
|
|
103
|
+
# -*- coding: utf-8 -*-
|
|
104
|
+
|
|
105
|
+
import pandas as pd
|
|
106
|
+
|
|
107
|
+
import numpy as np
|
|
108
|
+
|
|
109
|
+
import math
|
|
110
|
+
|
|
111
|
+
import re
|
|
112
|
+
|
|
113
|
+
import xlrd
|
|
114
|
+
|
|
115
|
+
import xlsxwriter
|
|
116
|
+
|
|
117
|
+
from collections import Counter
|
|
118
|
+
|
|
119
|
+
from itertools import chain
|
|
120
|
+
|
|
121
|
+
from janome.tokenizer import Tokenizer
|
|
122
|
+
|
|
123
|
+
import os
|
|
124
|
+
|
|
125
|
+
import csv
|
|
126
|
+
|
|
127
|
+
|
|
128
|
+
|
|
129
|
+
|
|
130
|
+
|
|
131
|
+
def create_user_dic_file(file_name: str='dict_simple_utf8.csv', encoding: str='utf-8-sig'):
|
|
132
|
+
|
|
133
|
+
"""
|
|
134
|
+
|
|
135
|
+
janomeのカスタム辞書を作成
|
|
136
|
+
|
|
137
|
+
:param file_name 出力辞書ファイル名 csv形式
|
|
138
|
+
|
|
139
|
+
:param encoding ファイルのエンコーディング形式
|
|
140
|
+
|
|
141
|
+
## Create User dictionary in UTF-8
|
|
142
|
+
|
|
143
|
+
# http://akiyoko.hatenablog.jp/entry/2017/12/09/010411
|
|
144
|
+
|
|
145
|
+
"""
|
|
146
|
+
|
|
147
|
+
rows = [['展示会', 'カスタム名詞', 'テンジカイ'], ['中国市場', 'カスタム名詞', 'チュウゴクシジョウ'], ['可能性', 'カスタム名詞', 'カノウセイ']]
|
|
148
|
+
|
|
149
|
+
with open(file_name, 'w', newline='', encoding=encoding) as f:
|
|
150
|
+
|
|
151
|
+
w = csv.writer(f)
|
|
152
|
+
|
|
153
|
+
w.writerows(rows)
|
|
154
|
+
|
|
155
|
+
|
|
156
|
+
|
|
157
|
+
|
|
158
|
+
|
|
159
|
+
def read_data(file_name: str, encoding: str='utf-8'):
|
|
160
|
+
|
|
161
|
+
"""
|
|
162
|
+
|
|
163
|
+
:param file_name 入力ファイル csv形式
|
|
164
|
+
|
|
165
|
+
:param encoding ファイルのエンコーディング形式
|
|
166
|
+
|
|
167
|
+
"""
|
|
168
|
+
|
|
169
|
+
# ※ openはencodingオプションでエンコード指定を行えるためcodecsを使用しないように変更
|
|
170
|
+
|
|
171
|
+
with open(file_name, "r", encoding=encoding) as file:
|
|
172
|
+
|
|
173
|
+
df = pd.read_csv(file, index_col=0)
|
|
174
|
+
|
|
175
|
+
|
|
176
|
+
|
|
177
|
+
## 行drop
|
|
178
|
+
|
|
179
|
+
df.dropna(how='any', inplace=True)
|
|
180
|
+
|
|
181
|
+
# how='any'：一つでもNaN(Not a Number)がある行/列(,axis=1)をdrop なお、how='all'は全てがNaNをdrop
|
|
182
|
+
|
|
183
|
+
# inplace=True：元のdfが変更される。
|
|
184
|
+
|
|
185
|
+
|
|
186
|
+
|
|
187
|
+
## 昇順ソート
|
|
188
|
+
|
|
189
|
+
df.sort_index(inplace=True) # axis=1：列方向にソート ascending=False：降順でソート by='列名'：その列内の値がソート基準になる
|
|
190
|
+
|
|
191
|
+
|
|
192
|
+
|
|
193
|
+
for i in range(len(df.index)):
|
|
194
|
+
|
|
195
|
+
# ※ yieldを使う
|
|
196
|
+
|
|
197
|
+
yield df.iat[i, 0] # .iat[行番号, 列番号] なお、.at['行ラベル', '列ラベル']も可能
|
|
198
|
+
|
|
199
|
+
|
|
200
|
+
|
|
201
|
+
|
|
202
|
+
|
|
203
|
+
def parse(file_name: str):
|
|
204
|
+
|
|
205
|
+
"""
|
|
206
|
+
|
|
207
|
+
:param file_name 入力ファイル csv形式
|
|
208
|
+
|
|
209
|
+
"""
|
|
210
|
+
|
|
211
|
+
## User dictionary
|
|
212
|
+
|
|
213
|
+
t = Tokenizer(r"dict_simple_utf8.csv", udic_type="simpledic", udic_enc="utf-8-sig") # Tokenizer初期化
|
|
214
|
+
|
|
215
|
+
data = []
|
|
216
|
+
|
|
217
|
+
each_data = []
|
|
218
|
+
|
|
219
|
+
c = 0
|
|
220
|
+
|
|
221
|
+
for value in read_data(file_name):
|
|
222
|
+
|
|
223
|
+
for token in t.tokenize(value):
|
|
224
|
+
|
|
225
|
+
partOfSpeech = token.part_of_speech.split(',')[0] # .part_of_speech.split(',')[0]：品詞
|
|
226
|
+
|
|
227
|
+
# なお、[1]~[3]は品詞細分類1~3
|
|
228
|
+
|
|
229
|
+
# その他、.infl_type：活用型、.infl_form：活用形、.base_form：原形、.reading：読み、.phonetic：発音
|
|
230
|
+
|
|
231
|
+
if partOfSpeech == u'名詞': # 名詞を抽出する
|
|
232
|
+
|
|
233
|
+
each_data.append(token.surface) # .surface：表層形（tokenそのもの）
|
|
234
|
+
|
|
235
|
+
data.append(each_data)
|
|
236
|
+
|
|
237
|
+
each_data = []
|
|
238
|
+
|
|
239
|
+
c += 1
|
|
240
|
+
|
|
241
|
+
if c == 2:
|
|
242
|
+
|
|
243
|
+
break
|
|
244
|
+
|
|
245
|
+
return data
|
|
246
|
+
|
|
247
|
+
|
|
248
|
+
|
|
249
|
+
|
|
250
|
+
|
|
251
|
+
def create_excel(file_name: str, data=None):
|
|
252
|
+
|
|
253
|
+
"""
|
|
254
|
+
|
|
255
|
+
エクセル作成
|
|
256
|
+
|
|
257
|
+
:param file_name 出力ファイル名
|
|
258
|
+
|
|
259
|
+
:data
|
|
260
|
+
|
|
261
|
+
"""
|
|
262
|
+
|
|
263
|
+
from contextlib import closing
|
|
264
|
+
|
|
265
|
+
# ※ contextlib#closingを使用
|
|
266
|
+
|
|
267
|
+
# ファイル作成
|
|
268
|
+
|
|
269
|
+
with closing(xlsxwriter.Workbook(file_name)) as output_Exl:
|
|
270
|
+
|
|
271
|
+
# シート作成
|
|
272
|
+
|
|
273
|
+
output_sht = output_Exl.add_worksheet('tokens')
|
|
274
|
+
|
|
275
|
+
|
|
276
|
+
|
|
277
|
+
for row in range(len(data)):
|
|
278
|
+
|
|
279
|
+
for i in range(len(data[row])):
|
|
280
|
+
|
|
281
|
+
output_sht.write(row, i, data[row][i]) # (行, 列, 追加するデータ)
|
|
282
|
+
|
|
283
|
+
|
|
284
|
+
|
|
285
|
+
##data（リストのリスト）内のすべてのtokensを同じリストに格納
|
|
286
|
+
|
|
287
|
+
# print(chain.from_iterable(data)) #<itertools.chain object at 0x000001B42F87D748>
|
|
288
|
+
|
|
289
|
+
chain_data = list(chain.from_iterable(data)) # chain(.from_iterable)()：iterableなオブジェクトを一つのオブジェクトにまとめる
|
|
290
|
+
|
|
291
|
+
# http://coolpythontips.blogspot.com/2016/02/itertoolschain.html
|
|
292
|
+
|
|
293
|
+
|
|
294
|
+
|
|
295
|
+
c = Counter(chain_data) # Counterは、keyに要素、valueに出現回数の、辞書型のサブクラス
|
|
296
|
+
|
|
297
|
+
result_ranking = c.most_common(100) # (要素, 出現回数)という形のタプルを出現回数が多い順に並べたリストを返す。引数にnを入力すると、上位n位までを対象にする。
|
|
298
|
+
|
|
299
|
+
# https://note.nkmk.me/python-collections-counter/
|
|
300
|
+
|
|
301
|
+
|
|
302
|
+
|
|
303
|
+
ranking = output_Exl.add_worksheet('count')
|
|
304
|
+
|
|
305
|
+
for row in range(len(result_ranking)):
|
|
306
|
+
|
|
307
|
+
for i in range(len(result_ranking[row])):
|
|
308
|
+
|
|
309
|
+
ranking.write(row, i, result_ranking[row][i])
|
|
310
|
+
|
|
311
|
+
|
|
312
|
+
|
|
313
|
+
|
|
314
|
+
|
|
315
|
+
def parse_args():
|
|
316
|
+
|
|
317
|
+
"""
|
|
318
|
+
|
|
319
|
+
コマンドライン引数の解析
|
|
320
|
+
|
|
321
|
+
"""
|
|
322
|
+
|
|
323
|
+
input_file = r"./input_csv.csv"
|
|
324
|
+
|
|
325
|
+
from argparse import ArgumentParser
|
|
326
|
+
|
|
327
|
+
parser = ArgumentParser()
|
|
328
|
+
|
|
329
|
+
parser.add_argument('input_file', metavar=None, nargs='?', default=input_file)
|
|
330
|
+
|
|
331
|
+
|
|
332
|
+
|
|
333
|
+
return parser.parse_args()
|
|
334
|
+
|
|
335
|
+
|
|
336
|
+
|
|
337
|
+
|
|
338
|
+
|
|
339
|
+
def main():
|
|
340
|
+
|
|
341
|
+
args = parse_args()
|
|
342
|
+
|
|
343
|
+
create_user_dic_file()
|
|
344
|
+
|
|
345
|
+
data = parse(args.input_file)
|
|
346
|
+
|
|
347
|
+
create_excel(r"result_pd\morphology.xlsx", data)
|
|
348
|
+
|
|
349
|
+
|
|
350
|
+
|
|
351
|
+
|
|
352
|
+
|
|
353
|
+
if __name__ == '__main__':
|
|
354
|
+
|
|
355
|
+
main()
|
|
356
|
+
|
|
357
|
+
|
|
358
|
+
|
|
359
|
+
```
|
1
追記
test
CHANGED
|
@@ -46,10 +46,18 @@
|
|
|
46
46
|
|
|
47
47
|
```
|
|
48
48
|
|
|
49
|
+
○出力結果
|
|
50
|
+
|
|
51
|
+
```
|
|
52
|
+
|
|
53
|
+
展示会 カスタム名詞,*,*,*,*,*,展示会,テンジカイ,テンジカイ
|
|
54
|
+
|
|
55
|
+
```
|
|
56
|
+
|
|
49
57
|
◇参考情報
|
|
50
58
|
|
|
51
59
|
[tests#user_simpledic.csv](https://raw.githubusercontent.com/mocobeta/janome/master/tests/user_simpledic.csv)
|
|
52
60
|
|
|
53
61
|
|
|
54
62
|
|
|
55
|
-
あと適度に関数
|
|
63
|
+
あと適度に関数分割されることをお勧め致します。
|