乘以归一化值 - 如何取单词的加权平均值

Question

我有两个格式如下的文件：

文件 1：

 TOPIC:topic_0 24
 track 0.25000000000000000
 record 0.25000000000000000
 athlete 0.25000000000000000  
 run 0.25000000000000000
 star 0.0
 film 0.0
 TOPIC:topic_1 0
 run 0.0  
 track 0.0
 athlete 0.0
 record 0.0
 star 0.0
 film 0.0 
 TOPIC:topic_2 20
 film 0.25000000000000000
 star 0.25000000000000000
 track 0.25000000000000000
 record 0.25000000000000000
 athlete 0.0
 run 0.0

文件 2：

0.25 0.5 0.25

然后我想计算每个单词的权重。例如，“记录”一词的权重为：

record (0.25*0.25) + (0*0.5) + (0.25*0.25) which is 0.125. 

也就是说，在文件 1 中，单词记录存在于主题 0、1 和 2 中。因此，取文件 2 中的第 0 位第 1、第 2 位值并乘以主题 0 中存在的单词的相应权重, 1 和 2. 我用的代码：

from collections import defaultdict
from itertools import groupby, imap

d = defaultdict(list)
with open("file1.txt") as f, open("file2.txt") as f2:
    values = map(float, f2.read().split()) 
    for line in f:
        if line.strip() and not line.startswith("TOPIC"):
            name, val = line.split()
            d[name].append(float(val))

for k,v in d.items():
     print("{} {}".format(k ,sum(i*j for i, j in zip(v,values)) ))

我得到的输出是：

 run 0.0625
 track 0.125
 athlete 0.0625
 record 0.125
 star 0.0625
 film 0.0625

求和后的输出列应为 1。（抱歉，此示例数据很糟糕，因为由于所取的值，它不会总和为 1。但在实际数据中，乘法后**当输出文件的第二列被求和时，它应该给出 1)** 我得到的总和在 0.95 到 0.99 之间，但不完全是 1。

File1 和 File2 均已标准化。即file2的取值之和等于1，每个主题的总权重之和等于1。

当乘法发生时，最终结果也应该总和为 1。我显示的数据只是一个样本。我的实际数据涉及大约 1000 个主题。

我们可以看到所有的词都出现在所有的主题中。而且，这里的主题 1 完全是 0。所有的词都没有权重。

当所有主题都有带有一定权重的单词时，上面的代码可以正常工作。当总主题（如 topic_2）为零时，我的输出总和不等于 1。

我举的例子很简单，因为数字是这样的，它的总和不会等于 1。但是，对于我拥有的数据，它的总和应该是 1。

我可以纠正这个问题还是有更好的编码方式（比上面显示的）来乘以单词的值？

Answer 1

你说每个主题的总和就像每个主题的总权重值等于1，但事实并非如此。

由于topic_1 中的所有内容都为零，因此它可能不存在。因此，文件 2 第二列中的0.5 也可能不存在；它在乘法中归零。所以，实际上，文件 2 的总数是 0.25 + 0.25 = 0.5，这就是您得到的总数。

由于您的真实数据总和约为 0.99，并且仅当一个或多个主题都为零时才会发生这种情况，我猜1 与您获得的总数之间的差异是相等的正被归零的权重的总和，就像在这个例子中一样。寻找那个。