seminar-personal/chin2017

おさらい

前回ゼミより抜粋

いまやっていること
少ないクラスタに分類されたペアが所属しているCSVファイルを特定する。
少ないクラスタを排除
基準がわからない。
10個以下のクラスタ数
100個以下のクラスタ数
1000個以下のクラスタ数、はそれぞれ何個か?
#!/usr/bin/env python
# -*- coding: utf-8 -*-
#20200117 pathを出力
from gensim.models import Word2Vec
import pandas as pd
import pandas.io.common
import numpy as np
import codecs
import random
import os
import getenc
import time
import re
import sys
from progressbar import *
start = time.time()
def is_text(item):
    try:
       if re.search('^[A-ZA-Za-za-zⅠ-Ⅹ0-90-9%.・・.::\"’′″°〜~―ー-−‐_//○〇*()-×●★△&…〒〃㎡  	]+$',item):#記号・英語・数字等
           return False
       elif re.search('^[0-90-9①-⑳-―ー-−‐()(),,.△><%  ]+$',item):#記号・英語・数字等2
           return False
       elif re.search("(https?|ftp|http)(:\/\/[-_.!~*\'()a-zA-Z0-9;\/?:\@&=+\$,%#]+)",item):#URL
           return False
       elif re.search("[\s\S]{30}",item):#30文字以上
           return False
       elif re.search('[︰-@~_「」[\a-zA-Z//-―-−‐←→↑┌↓?\\\]',item):#特殊文字2:円マック 
           return False
       else:
           return True
    except TypeError:
        return False
    else:
        return False
def is_item_name(item):
    try:
       if re.search('^[A-ZA-Za-za-zⅠ-Ⅹ0-90-9%.・・.::\"’′″°〜~―ー-−‐_//○〇*()-×●★△&…〒〃㎡  	]+$',item):#記号・英語・数字等1
           return False
       elif re.search('^[0-90-9①-⑳-―ー-−‐()(),,.△><%  ]+$',item):#記号・英語・数字等2
           return False
       elif re.search('^[0-90-9年月日円通平成度第回銭末日現在№(),.]+$',item):#特殊文字1
           return False
       elif re.search('[︰-@~_「」[\a-zA-Z//-―-−‐←→↑┌↓?\\\]',item):#特殊文字2:円マック 
           return False
       elif re.search('[a-zA-Z:{}]',item):#特殊文字3:英文字含めている場合
           return False
       elif re.search('([0-90-9]{2,4})(-|ー|−)([0-90-9]{2,4})',item):#特殊文字4:住所番地など除外
           return False
       elif re.search('^[0-90-9①-⑳]',item):#特殊文字5
           return False
       elif re.search('^[ぁ-ゟ]+$',item):#ひらがなのみ (20191217追記)
           return False
       elif re.search("[\s\S]{15}",item):#15文字以上
           return False
       #elif re.search("^[\s\S]{0,1}$",item):#1文字のみ
       #    return False
       else:
           return True
    except TypeError:
        return False
    else:
        return False
print("CSV list reading...")
csv_list_files="prep2_csv_list.csv"
with codecs.open(csv_list_files, 'r','utf8') as f:
    csv_list =f.readlines()
len_csv =29995#len(csv_list)
print('The number of csv list:',len_csv)
k=0
item_name = []
exclusion_list =[]
re_list =[]
re_listcheck =[]
WIDGETS = ['Progress of making dataset: ',Percentage(), ' ', Bar('#'),' ', Timer(),' ', ETA(), ' ', FileTransferSpeed()]
pbar=ProgressBar(widgets=WIDGETS, maxval=len_csv).start()#プログレスバーのスタート
for n in range(0,len_csv):
    fname=csv_list[n].strip()#空白文字を除外    
    if (os.path.exists(fname)):#サイズ制限:and os.path.getsize(fname) <5242880):#5MB:5242880 and os.path.getsize(fname) <5242880
        moji_code=getenc.getEncode(fname)
        if moji_code is not None :
            with codecs.open(fname,'rb',moji_code) as f:
                try:
                    df = pd.read_csv(f,delimiter =",")
                    k=k+1
                    for col in df.columns:
                        for data in df[col]:
                            #除外1:型(数字を除外)
                            if ((type(data) is int) or(type(data) is float) or (pd.isnull(data) == True) ):
                                continue
                            #除外2:正規表現で除外
                            if ((is_text(data) ==False) or (is_item_name(col) ==False)):
                                continue
                            #除外3:空白文字除外
                            data =re.sub('[ | |"|\n|\r|\t|\vt|<br>]','',data)
                            data =re.sub(',',',',data)
                            col =re.sub('[ | |"|\n|\r|\t|\vt|<br>]','',col)
                            col =re.sub(',',',',col)
                            col =re.sub('[0-90-9①-⑳.-―ー-−‐]{0,10}$','',col)#項目名の後ろに数字等の場合の除外処理
                            #除外4:空を
                            if(len(col)==0 or len(data)==0):
                                continue 
                            if [data,col] not in re_listcheck:
                                re_list.append([data,col,fname])
                                re_listcheck.append([data,col])
                            if col not in item_name:
                                item_name.append(col)
                except pandas.io.common.EmptyDataError:
                    exclusion_list.append(fname)
                    print("ERROR: {} is empty".format(fname))
                except pandas.io.common.AbstractMethodError:
                    print("ERROR: {} is AbstractMethodError".format(fname))
                    exclusion_list.append(fname)
                except pandas.io.common.DtypeWarning:
                    print("ERROR: {} is DtypeWarning".format(fname))
                    exclusion_list.append(fname)
                except pandas.io.common.ParserError:
                    print("ERROR: {} is ParserError".format(fname))
                    exclusion_list.append(fname)
                except pandas.io.common.ParserWarning:
                    print("ERROR: {} is ParserWarning".format(fname))
                    exclusion_list.append(fname)
                except Exception as e:
                    print("%s 's error is %s"%(format(fname),format(e)))
                    exclusion_list.append(fname)
        else:
            exclusion_list.append(fname)
    else:
        exclusion_list.append(fname)
    pbar.update(n)#処理の進捗状況をプログレスバーとして表示
pbar.finish()#プログレスバーの終了
df2 = pd.DataFrame(re_list,columns=['item','item_data','path'])
df2.to_csv("pre2_csv_items_all_0_29995.csv",index=False,encoding="utf-8-sig")
item_name_list = pd.DataFrame(item_name,columns=['item_name'])
item_name_list.to_csv("items_name_all_0_29995.csv",index=False,encoding="utf-8-sig")
df3 = pd.DataFrame(exclusion_list,columns=['path'])
df3.to_csv("exclusion_list_all_0_29995.txt",index=False,encoding="utf-8-sig")
print("done")
print('The number of processed csv :',k)
print('The number of discarded csv:',len_csv-k)
process_time = format(time.time() - start)
print('Execution time is %s s'%process_time)

トップ   新規 一覧 検索 最終更新   ヘルプ   最終更新のRSS