-
Notifications
You must be signed in to change notification settings - Fork 1
/
utils.py
408 lines (332 loc) · 13.2 KB
/
utils.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
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
# -*- coding: utf-8 -*-
from collections import defaultdict
from io import BufferedReader
from zipfile import ZipFile
import numpy as np
import gzip
__author__ = "Olivares Castillo José Luis"
def read(file, vocabulary=None, is_zipped=True, encoding="utf-8", dtype=np.float64):
"""Función para leer datasets en formato:
palabra vector
por cada línea
Parameters:
----------
file : {io.TextIOWrapper}
Apuntador al archivo a leer
vocabulary : {list}, optional
Lista con pares de palabras: sirve para filtrar del dataset
sólo las palabras que se encuentren en la lista `vocabulary`
(the default is None, which [No se carga ningún diccionario])
is_zipped : {bool}, optional
Bandera que indica si el archivo está en formato [zip, gz]
o en texto simple y poder leerlo según el formato necesario
(the default is True, which [El archivo está en formato comprimido])
encoding : {str}, optional
Tipo de encoding de los archivos
(the default is "utf-8", which [default_description])
dtype : {numpy format}, optional
Tipo de dato de los vectores (the default is np.float64,
which [formato float64])
Returns
-------
[list],[numpy.ndarray]
Retorna una lista con las palabras y una matriz del dataset.
"""
words = []
# Si el archivo está comprimido, usar el método decode para poder leerlo.
if is_zipped:
header = file.readline().strip().decode(encoding).split()
else:
header = file.readline().split()
# Se lee la cabecera del archivo. Indica el número total embeddings y
# su dimensionalidad.
count = int(header[0]) # if is_zipped else 5000
dim = int(header[1]) # if is_zipped else 300
# Se crea una matriz de dimension (count,dim) si se especifica un vocabulario
# sino se crea una lista.
matrix = np.empty((count, dim), dtype=dtype) if vocabulary is None else []
# Ciclo para leer el archivo línea por línea `count` veces.
for i in range(count):
if is_zipped:
word, vec = file.readline().decode(encoding).split(" ", 1)
else:
# try:
word, vec = file.readline().split(" ", 1)
# except ValueError as e:
# print(e, file.readline().split(" ", 1), i)
# Si no se indica un vocabulario se lee el dataset completo
if vocabulary is None:
words.append(word)
matrix[i] = np.fromstring(vec, sep=" ", dtype=dtype)
# Si se indica un vocabulario, sólo se cargan las palabras del dataset necesarias.
elif word in vocabulary:
# for _ in range(vocabulary[word]):
words.append(word)
matrix.append(np.fromstring(vec, sep=" ", dtype=dtype))
# Cerrar apuntador al archivo
file.close()
# Retorna lista con palabras y la matriz de embeddings
return (words, matrix) if vocabulary is None else (words, np.array(matrix, dtype=dtype))
def get_lexicon(source, path=None):
"""Función para cargar lexicones de entrenamiento/pruebas
Parameters:
----------
source : {str}
Lexicon que se va a cargar
path : {str}, optional
Indica la ruta en donde se ubican los lexicones
(the default is None, which [datasets/dictionaries/])
Raises
------
ValueError
Si no encuentra el lexicon solicitado, muestra un error de que no lo encontró
o de que el nombre es inválido.
Returns
-------
list
Lista con los pares de palabra del lexicon indicado.
"""
path = "datasets/dictionaries/" if path is None else path
if source.__eq__("en-it.train"):
src, trg = load_lexicon(path + "en-it.train.drive.txt")
elif source.__eq__("en-it.test"):
src, trg = load_lexicon(path + "en-it.test.drive.txt")
elif source.__eq__("en-de.test"):
src, trg = load_lexicon(path + "en-de.test.txt")
elif source.__eq__("en-de.train"):
src, trg = load_lexicon(path + "en-de.train.txt")
elif source.__eq__("en-es.test"):
src, trg = load_lexicon(path + "en-es.test.txt")
elif source.__eq__("en-es.train"):
src, trg = load_lexicon(path + "en-es.train.txt")
elif source.__eq__("en-fi.test"):
src, trg = load_lexicon(path + "en-fi.test.txt")
elif source.__eq__("en-fi.train"):
src, trg = load_lexicon(path + "en-fi.train.txt")
elif source.__eq__("es-na.train"):
src, trg = load_lexicon(path + "es-na.train.txt")
elif source.__eq__("es-na.test"):
#src, trg = load_lexicon(path + "es-na.test.true.txt")
src, trg = load_lexicon(path + "evaluationset_sinproblematicn2v.txt")
# Si no encuentra el archivo o en nombre es inválido muestra un error.
else:
raise ValueError("{} no encontrado".format(source))
# Retorna pares de palabra en listas separadas.
return (src, trg)
def load_lexicon(source):
"""Función auxiliar de `open_file`. Lee el archivo indicado en `source` y lo retorna
en dos listas. El lexicon está en formato:
palabra1 palabra2
por cada línea.
Parameters:
----------
source : {str}
Ruta del lexicon a leer
Returns
-------
list
Retorna dos listas con los pares de palabra.
"""
# listas para cargar las palabras del lexicon
src, trg = [], []
# Se abre el archivo
with open(source, "r") as file:
# Ciclo para leer el archivo línea por línea
for line in file:
# Se divide la línea
# palabra1 palabra2
# para añadirlas a las listas `src`, `trg`
src.append(line.split()[0])
trg.append(line.split()[1])
# Listas con los pares de palabras por separado.
return (src, trg)
def open_file(source, path=None):
"""Función para leer datasets. Los datasets están en formato [zip, gz] o simple.
Parameters:
----------
source : {str}
Dataset a leer.
path : {str}, optional
Ruta del dataset (the default is None, which [Ruta por defecto])
Raises
------
ValueError
Si no encuentra el dataset solicitado, muestra un error de que no lo encontró
o de que el nombre es inválido.
Returns
-------
io.TextIOWrapper
Apuntador al dataset requerido.
"""
# Si no se especifica una nueva ruta se utilza una por defecto.
path = "datasets/" if path is None else path
# Se carga en dataset indicado en `source`.
# Si el dataset está en formato simple i.e: no comprimido se retorna
# el apuntador al archivo.
if source.__eq__("en.norm.fst"):
return open(path + "en.200k.300d.norm.fst", "r", encoding="utf-8", errors="surrogateescape")
elif source.__eq__("it.norm.fst"):
return open(path + "en-it/it.200k.300d.norm.fst", "r", encoding="utf-8", errors="surrogateescape")
elif source.__eq__("en.fst"):
return open(path + "en.200k.300d.fst", "r", encoding="utf-8", errors="surrogateescape")
elif source.__eq__("it.fst"):
return open(path + "en-it/it.200k.300d.fst", "r", encoding="utf-8", errors="surrogateescape")
elif source.__eq__("es.norm.n2v"):
return open(path + "es-na/es.node2vec.norm.embeddings")
elif source.__eq__("na.norm.n2v"):
return open(path + "es-na/na.node2vec.norm.embeddings")
elif source.__eq__("es.n2v"):
return open(path + "es-na/es.node2vec.embeddings")
elif source.__eq__("na.n2v"):
return open(path + "es-na/na.node2vec.embeddings")
# Dataset comprimidos.
elif source.__eq__("en-wiki"):
# 2519370 vectors
file = ZipFile(path + "wiki/wiki.en.zip")\
.open("wiki.en.vec")
elif source.__eq__("en-wiki-news"):
file = ZipFile(path + "wiki-news-300d-1M-subword.vec.zip")\
.open("wiki-news-300d-1M-subword.vec")
elif source.__eq__("en-crawl"):
file = ZipFile(path + "crawl-300d-2M.vec.zip")\
.open("crawl-300d-2M.vec")
elif source.__eq__("it"):
file = gzip.open(path + "en-it/cc.it.300.vec.gz")
elif source.__eq__("de"):
file = gzip.open(path + "en-de/cc.de.300.vec.gz")
elif source.__eq__("fi"):
file = gzip.open(path + "en-fi/cc.fi.300.vec.gz")
elif source.__eq__("es"):
file = gzip.open(path + "en-es/cc.es.300.vec.gz")
# Si no encuentra el archivo o en nombre es inválido muestra un error.
else:
raise ValueError("{} no encontrado".format(source))
# Retorna apuntador al archivo.
return BufferedReader(file)
def get_vectors(lexicon, words, embeddings, dtype='float'):
"""Función que busca los embeddings que corresponden a una lista de palabras
en un dataset dado.
Parameters:
----------
lexicon : {list}
Lista que indica las palabras necesarias para buscar el vector que le
corresponde dentro del dataset.
words : {list}
Lista con todas las palabras que existen dentro del dataset dado.
embeddings : {numpy.ndarray}
Matriz con todos los embeddings que existen dentro del dataset dado
dtype : {str}, optional
Tipo de dato de los embeddings (the default is 'float')
Returns
-------
numpy.ndarray
Matriz con los embeddings que se especificaron en `lexicon`
"""
# Se crea una matriz de dimensionalidad `((len(lexicon), embeddings.shape[1])`
matrix = np.empty((len(lexicon), embeddings.shape[1]), dtype=dtype)
# Ciclo para llenar la matriz
for i in range(len(lexicon)):
# Busca las palabras indicadas en `lexicon` dentro de `words`
# para obtener su embedding.
if lexicon[i] in words:
matrix[i] = embeddings[words.index(lexicon[i])]
# Retorna una matriz con los embeddings especificados en `lexicon`.
return np.asarray(matrix, dtype=dtype)
def next_batch(x, y, step, batch_size):
"""Función para generar batches a partir de una matriz.
Parameters:
----------
x : {numpy.ndarray}
Matriz x.
y : {numpy.ndarray}
Matriz y.
step : {int}
Número de Batch
batch_size : {int}
Tamaño del batch
Returns
-------
numpy.ndarray
Retorna un batch de las matrices x,y
"""
# Se generan los batches
ix = batch_size * step
iy = ix + batch_size
# Retorna el batch correspondiente a `step`
return x[ix:iy], y[ix:iy]
def get_topk_vectors(vector, matrix, k=10, kind="quicksort"):
"""Función que mide la similitud coseno entre `vector` y `matrix` y las ordena
de mayor a menor y retorna los `k` más cercanos.
Los índices que retorna los obtiene de `matrix` y corresponden
a los vectores más cercanos entre `vector` y `matrix`.
Parameters:
----------
vector : {numpy.ndarray}
Vector a medir.
matrix : {numpy.ndarray}
Matriz de embeddings.
k : {int}, optional
k vectores más cercanos.
(the default is "10", 10 vecinos más cercanos)
kind : {str}, optional
Algoritmo de ordenamiento.
(the default is "quicksort", puede utilizarse: {‘quicksort’, ‘mergesort’, ‘heapsort’})
Returns
-------
list
Lista con los índices de `matrix` más cercanos a `vector`.
"""
# Formula para obtener la similitud coseno de manera vectorial entre
# un vector y una matriz.
unsorted = ((np.matmul(vector, matrix.T) / (np.linalg.norm(vector) *
np.sqrt(np.einsum('ij,ij->i', matrix, matrix)))))
# Se ordena las distancias.
unsorted = np.argsort(unsorted, kind=kind)
# El algoritmo hacer ordenamiento ascendente, por lo que se invierte `[::-1]`
# para que quede en orden descendente y se seleccionan los `k` primeros
# más cercanos `[:k]`.
distances = unsorted[::-1][:k]
# Se eliminan variables innecesarias.
del unsorted
# Se retorna una lista con los `k` índices de `matrix` más cercanos a `vector`
return distances
def closest_word_to(top_10, words):
"""Función que retorna lista de palabras según los índices en `top_10`
Parameters:
----------
top_10 : {list}
Lista con índices que se utilizan para buscar en `words`
words : {list}
Lista con palabras.
Returns
-------
list
Lista de palabras según los índices de `words`
"""
return [words[index] for index in top_10]
def gold_dict(list_src, list_trg):
"""Función que genera un diccionario de palabras y sus traducciones
gold-standard.
Parameters:
----------
list_src : {list}
Lista de palabras en idioma origen
list_trg : {list}
Lista de palabras que son traducciones gold-standard
Returns
-------
dict
Diccionario donde su llave es la palabra en idioma origen y su valor es una lista
con sus traducciones
"""
# Lista de pares traducción
pares_eval = list(zip(list_src, list_trg))
# Diccionario con listas en su valor
gold = defaultdict(list)
# Se genera una lista de traducciones gold standard para cada palabra del idioma fuente
for palabra_src, palabra_trg in pares_eval:
gold[palabra_src].append(palabra_trg)
# Se eliminan variables innecesarias
del pares_eval
# Se hace cast al defaultdict y se retorna un diccionario de python.
return dict(gold)