def ngramme_fit(year):
Nb_rows = fonctions_bdd.count_rows_where(name_bdd,'billets'," where jours IN ('" + "','".join(list(map(str,year))) + "') ")
#Nb_rows = fonctions_bdd.count_rows(name_bdd,'billets')
Nb_auteurs = fonctions_bdd.count_rows(name_bdd,'auteurs')
size_seq = 1000
nb_sequences = Nb_rows/size_seq
billets_id=[]
ngramme_billets_fit=[]
ngrammes_auteurs_fit={}
formes_fit={}
#for x in range(nb_sequences+1):
for x in range(nb_sequences+1):
lim_d = str(size_seq*x)
if x<nb_sequences:
duration = str(size_seq)
else:
duration = str(size_seq)
where = " jours IN ('" + "','".join(list(map(str,year))) + "') "
sample = '1000000000'
contenu = fonctions_bdd.select_bdd_table_where_limite(name_bdd,'billets','id,content_lemmatise,content,auteur_id',sample,requete,where,lim_d+','+duration,Nb_rows)
#on indexe chaque billet et on recupere un triplet qui donne: la liste des ngrammes pour chaque billet, la liste des index des ngrammes pour chaque billet, et l'id des billets - ce script permet egalement de calculer les formes des n-lemmes.
include=1 #le parametre include permet d'activer ou non l'overlap de lemmes dans le comptage: si 1, les nicolas sarkozy ne forment pas de sarkozy
ngramme_billets_fit_x,billets_id_x,formes_x,ngrammes_auteurs_fit_x = text_processing.indexer_billet(contenu,ngrammes,maxTermLength,include)
billets_id = billets_id + billets_id_x
ngramme_billets_fit = ngramme_billets_fit + ngramme_billets_fit_x
formes_fit=fonctions_lib.merge(formes_fit, formes_x, lambda x,y: fonctions_lib.merge(x,y,lambda x,y:x+y))
ngrammes_auteurs_fit=fonctions_lib.merge(ngrammes_auteurs_fit,ngrammes_auteurs_fit_x,lambda x,y : extension(x,y))
print " + billets numéros "+ str(int(lim_d)+1)+ " à "+ str(int(lim_d)+int(duration)) +" indexés (sur "+ str(Nb_rows) +")"
return ngrammes_auteurs_fit, ngramme_billets_fit,formes_fit
def fast_ngram_counter_x(input):
x = input[0]
size_seq = input[1]
Nb_rows=input[2]
sample = input[3]
nb_sequences=input[4]
concept_list=input[5]
name_bdd = input[6]
dictionnaire_gramme_x={}
lim_d = str(size_seq*x)
if x<nb_sequences:
duration = str(size_seq)
else:
duration = str(min(Nb_rows - size_seq*x,sample))
where=1
contenu = fonctions_bdd.select_bdd_table_where_limite(name_bdd,'billets','content_lemmatise',sample,requete,where,lim_d+','+duration,Nb_rows)
billetprocessed_after_requete=0
for billetlemm in contenu:
billetprocessed_after_requete=1+billetprocessed_after_requete
if not billetprocessed_after_requete%500 or billetprocessed_after_requete == len(contenu) :
print '---------'+str(billetprocessed_after_requete)+ ' traités (export ngrammes sur '+str(Nb_rows)+ ' billets)'
billet_lemmatise = billetlemm[0]
if concept_list=='':
dictionnaire_gramme_x = text_processing.ngramme_build(billet_lemmatise.split(),maxTermLength,dictionnaire_gramme_x,language,'billet')
else:
dictionnaire_gramme_x = text_processing.ngramme_find(billet_lemmatise,dictionnaire_gramme_x,concept_list)
return dictionnaire_gramme_x
def do_calculation(year):
print str(year) + ' being processed '
where = " jours IN ('" + "','".join(list(map(str,year))) + "') "
contenu = fonctions_bdd.select_bdd_table_champ_simple(name_bdd,'billets','jours',where)
Nb_rows=len(contenu)
#il faut découper ici car ça prend trop de RAM
if sample<Nb_rows:
size_seq = sample
nb_sequences=0
else:
size_seq = 10000
nb_sequences = Nb_rows/size_seq
dictionnaire_gramme = {}#initialisation du dictionnaire de lemmes
billetprocessed_after_requete=0 #counts the number of processed posts
for x in range(nb_sequences+1):
dictionnaire_gramme_x={}
# billetprocessed_after_requete=1+billetprocessed_after_requete
lim_d = str(size_seq*x)
if x<nb_sequences:
duration = str(size_seq)
else:
duration = str(min(Nb_rows - size_seq*x,sample))
where = " jours IN ('" + "','".join(list(map(str,year))) + "') "
where=''
for ii,ystr in enumerate(list(map(str,year))):
if ii>0:
where = where + ' or '
where = where + ' jours = ' +"'"+ ystr+"'"
#print where
contenu = fonctions_bdd.select_bdd_table_where_limite(name_bdd,'billets','content_lemmatise',sample,requete,where,lim_d+','+duration,Nb_rows)
for billetlemm in contenu:
billetprocessed_after_requete=1+billetprocessed_after_requete
if not billetprocessed_after_requete%500 or billetprocessed_after_requete == Nb_rows :
print '---------'+str(billetprocessed_after_requete)+ ' traités (export ngrammes sur '+str(Nb_rows)+ ' billets)'
billet_lemmatise = billetlemm[0]
dictionnaire_gramme_x = text_processing.ngramme_build(billet_lemmatise.split(),maxTermLength,dictionnaire_gramme_x,language,'absolu')
dictionnaire_gramme=fonctions_lib.merge(dictionnaire_gramme, dictionnaire_gramme_x, lambda x,y:x+y)
return dictionnaire_gramme
nb_sequences=0
else:
size_seq = 200
nb_sequences = Nb_rows/size_seq
dictionnaire_gramme = {}#initialisation du dictionnaire de lemmes
billetprocessed_after_requete=0 #counts the number of processed posts
for x in range(nb_sequences+1):
dictionnaire_gramme_x={}
# billetprocessed_after_requete=1+billetprocessed_after_requete
lim_d = str(size_seq*x)
if x<nb_sequences:
duration = str(size_seq)
else:
duration = str(min(Nb_rows - size_seq*x,sample))
contenu = fonctions_bdd.select_bdd_table_where_limite(name_bdd,'billets','content_lemmatise',sample,requete,where,lim_d+','+duration,Nb_rows)
for billetlemm in contenu:
billetprocessed_after_requete=1+billetprocessed_after_requete
if not billetprocessed_after_requete%500 or billetprocessed_after_requete == len(contenu) :
print '---------'+str(billetprocessed_after_requete)+ ' traités (export ngrammes sur '+str(Nb_rows)+ ' billets)'
billet_lemmatise = billetlemm[0]
dictionnaire_gramme_x = text_processing.ngramme_build(billet_lemmatise.split(),maxTermLength,dictionnaire_gramme_x,language,'absolu')
dictionnaire_gramme=fonctions_lib.merge(dictionnaire_gramme, dictionnaire_gramme_x, lambda x,y:x+y)
fonctions_lib.dumpingin(dictionnaire_gramme,name_export_pkl,requete)
#on trie par fréquence et on exporte le lexique final avec les occurrences
print '\n'
dico_final = misc.freq_tri(dictionnaire_gramme,freqmin,int(math.floor(top*1.1)),language,ng_filter)#on effectue le tri de notre dictionnaire