大规模数据存储与读取

import dask.bag as db

import ujson as json

import pandas as pd

import numpy as np

import gzip

import re

b=db.read_text(r'F:/kaggle_dataset/亚马逊评论/reviews_Digital_Music_5.json.gz',encoding='utf-8').map(json.loads)

b.take(1)

print(sum([1 for _ in gzip.open(r'F:/kaggle_dataset/亚马逊评论/reviews_Digital_Music_5.json.gz')])) #统计多少条数据

tempDir = 'F:/kaggle_dataset/亚马逊评论/制作亚马逊用户评论词云'

stopwords=set(pd.read_csv('C:/Users/zhangshuai_lc/stopwords_en.txt',header=None)[0])

pattern = re.compile(r'\w+') #正则

def hashFile():

   temp_path_list = []

   for i in range(1,101):

       temp_path_list.append(open(tempDir+'/'+str(i)+'.txt',mode='w')) #构造100个文本文件路径

   for each in (gzip.open(r'F:/kaggle_dataset/亚马逊评论/reviews_Digital_Music_5.json.gz')):

       sentence = eval(each)    #字符串转字典

       words = sentence['reviewText']

       words_list = pattern.findall(words)

       #print(words_list)

       for word in words_list:

           if word.lower() not in stopwords and len(word) >= 2:

               word = word.lower()

               temp_path_list[hash(word)%100].write(word+'\n')   #对单词进行hash，相同的单词一定会hash到同一个文件中

   for f in temp_path_list:

       f.close()

hashFile()

这一步是要将亚马逊用户对音乐的评论从原始数据中提取出来，然后使用正则表达式将评论分词，然后进行哈希映射将所有单词分配到100个文本文件中存储。相同的单词一定会被分配到同一个文件当中。

import os

from collections import Counter

results = Counter()

for root, dirs, files in os.walk(r'F:/kaggle_dataset/亚马逊评论/制作亚马逊用户评论词云'):

    for file in files:

        with open(os.path.join(root, file)) as f:

            words_list = f.readlines()

            words_list = list(map(lambda x: x.strip('\n'),words_list))

            word_common_1000 = Counter(words_list).most_common(1000)

            results.update(word_common_1000)

将每个文件中出现频率最高的1000个单词存入results当中。使用堆统计results当中出现频率最高的100单词。

import heapq

words_fren_list = list(results.keys())

words_fren_list_100 = heapq.nlargest(100,words_fren_list,key = lambda x:x[1])

len(words_fren_list_100)