-
Notifications
You must be signed in to change notification settings - Fork 0
/
programma2.py
401 lines (354 loc) · 16.9 KB
/
programma2.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
# -*- coding: utf-8 -*-
import sys
import nltk
import codecs
import re
import math
from nltk import FreqDist
from nltk import trigrams
from nltk import bigrams
def AnnotazioneLinguistica(frasi):
#lista dei token
listaToken = []
#lista delle POS
tokenPOSTot = []
#lista delle NE
for frase in frasi:
#divido in token la frase
tokens = nltk.word_tokenize(frase)
#faccio il POS Tag dei token
tokenPOS = nltk.pos_tag(tokens)
#Calcolo tutti i token del testo
listaToken = listaToken + tokens
#calcolo tutti i POS del testo
tokenPOSTot = tokenPOSTot + tokenPOS
#calcolo la lunghezza del testo
lunghezza = len(listaToken)
#restituisco la lista dei token e dei POS
return listaToken, tokenPOSTot, lunghezza
#funzione che prende in input un dizionario e restituisce la lista di tutte le coppie chiave-valore ordinate sul valore
def OrdinaBigrammi(dict):
return sorted(dict.items(), key =lambda x: x[1], reverse = True)
#funzione che calcola i 20 token più frequenti
def CalcolaFrequenzaToken(listaToken):
#lista dei token frequenti
tokenFreq = []
#elimino la punteggiatura
punteggiatura = [".", ",", ":", "?", "!", "-", " ' ", " '' ", "``"]
#scorro i token
for token in listaToken:
#se il token non è un segno di punteggiatura lo aggiungo alla lista dei token frequenti
if token not in punteggiatura:
tokenFreq.append(token)
#calcolo la distribuzione di frequenza dei token
DistribuzioneDiFrequenza = nltk.FreqDist(tokenFreq)
#callcolo i 20 token più frequenti
DistribuzioneDiFrequenzaOrdinata = DistribuzioneDiFrequenza.most_common(20)
return DistribuzioneDiFrequenzaOrdinata
#funzione che calcola i 20 aggettivi piu' frequenti
def AggettiviFreq(tokenPOSTot):
#lista dgli aggettivi frequenti
AggFreq = []
#Scorro le POS token per token
for token in tokenPOSTot:
#se il token e' un aggettivo lo aggiungo alla lista degli aggettivi frquenti
if token[1] in {"JJ", "JJR", "JJS"}:
AggFreq.append(token[0])
#calcolo la distribuzione di frequenza degli aggettivi e i 20 aggettivi piu' frequenti
DistribuzioneAggettivi = nltk.FreqDist(AggFreq)
AggettiviFrequenti = DistribuzioneAggettivi.most_common(20)
return AggettiviFrequenti
#funzione che calcola i 20 verbi piu' frequenti
def VerbiFreq(tokenPOSTot):
#lista dei verbi frequenti
VFreq = []
#Scorro le POS token per token
for token in tokenPOSTot:
#se il token e' un verbo lo aggiungo alla lista dei verbi frequenti
if token[1] in {"VB", "VBD", "VBG", "VBN", "VBP", "VBZ"}:
VFreq.append(token[0])
#calcolo la distribuzione d frequenza dei verbi e i 20 verbi piu' frequenti
DistribuzioneVerbi = nltk.FreqDist(VFreq)
VerbiFrequenti = DistribuzioneVerbi.most_common(20)
return VerbiFrequenti
#funzione che calcola i 10 POS piu' frequenti
def POSfreq(tokenPOSTot):
#lista che contiene le POS
PartOfSpeech = []
#scorro le POS le aggiungo alla lista definita precedentemente
for token in tokenPOSTot:
#calcolo la distribuzione di frequenza delle POS e le 10 POS piu' frequenti
PartOfSpeech.append(token[1])
#calcolo la distribuzione di frequenza delle POS e le 10 POS piu' frequenti
DistribuzionePOS = nltk.FreqDist(PartOfSpeech)
POSFrequenti = DistribuzionePOS.most_common(10)
return POSFrequenti
#funzione che calcola la frequenza de trigrammi
def CalcolaFeqTrigrammi(trigrammi):
#calcolo la frequenza dei trigrammi di POS
DistribuzioneTrigrammi = nltk.FreqDist(trigrammi)
#estraggo i 10 trigrammi di POS più frequenti
trigrammiFrequenti = DistribuzioneTrigrammi.most_common(10)
return trigrammiFrequenti
def CalcolaBigrammi(tokenPOSTot):
#calcolo i bigrammi
bigrammiPOS = list(bigrams(tokenPOSTot))
#elimino i bigrammi uguali
bigrammiDiversiPOS = set(bigrammiPOS)
return bigrammiPOS, bigrammiDiversiPOS
def CalcolaProbCondizionataECongiunta(listaToken, bigrammiPOS, bigrammiDiversiPOS, lunghezza):
#lista che raccoglie i bigrammi e le loro prob. condizionate
bigrammiCondizionati = {}
#lista che raccoglie i bigrammi e le loro prob. congiunte
bigrammiCongiunti = {}
for bigramma in bigrammiDiversiPOS:
#calcolo la frequenza dei trigrammi
frequenzaBigrammi = bigrammiPOS.count(bigramma)
#calcolo la frequenza della prima parte del trigramma
frequenzaPrimoElemento = listaToken.count(bigramma[0][0])
#calcolo la probabilita' condizionata
probCondizionata = float(frequenzaBigrammi)/float(frequenzaPrimoElemento)
#calcolo la frequenza relativa
frequenzaRelativa = float(frequenzaPrimoElemento)/lunghezza
#calcolo la probabilita' congiunta
probCongiunta = probCondizionata*frequenzaRelativa #probabilita' congiunta = prob condizionata*frequenzarelativa del primo elemento
#assegno le due probabilità ai dizionari
bigrammiCondizionati[bigramma] = probCondizionata
bigrammiCongiunti[bigramma] = probCongiunta
#ordino i bigrammi richiamando la funzione 'OrdinaBigrammi' definita precedentemente
bigrammiCondizionatiOrdinati = OrdinaBigrammi(bigrammiCondizionati)
bigrammiCongiuntiOrdinati = OrdinaBigrammi(bigrammiCongiunti)
return bigrammiCondizionatiOrdinati, bigrammiCongiuntiOrdinati
def sostantiviFreq(bigrammiPOS):
#creo la lista dei sostantivi frequenti
ListaSostantiviFreq = []
#scorro i token
for token in bigrammiPOS:
if token[1] in {"NN", "NNS", "NP", "NPS"}: #se il token è un sostantivo lo aggiungo alla lista
ListaSostantiviFreq.append(token)
#calcolo la distribuzione di frequenza degli aggettvi
distribuzioneSostantivi = FreqDist(ListaSostantiviFreq)
#calcolo i dieci aggettivi più frequenti
sostantivi_dieci = distribuzioneSostantivi.most_common(10)
return sostantivi_dieci
def CreaListaAggSostantivo(bigrammiPOS, sostantivi_dieci):
#lista dei bigrammi aggettivo-Sostantivo
listaSostAgg = []
#scorro i bigrammi
for bigramma in bigrammiPOS:
#se il primo bigramma è un aggettivo lo aggiungo alla lista
if bigramma[0][1]in [ "JJ", "JJR","JJS"]:
listaSostAgg.append(bigramma)
#se il secondo bigramma e un sostantivo e fa parte della lista deii sostantivi frequenti calcolati precedentemente
elif (bigramma[1][1] in ["NNP","NN","NNS","NNPS"]) and (bigramma[1] in sostantivi_dieci):
listaSostAgg.append(bigramma[0]) #lo aggiungo alla lista degli Aggettivi-sostantivi
return listaSostAgg
#calcolo la lmi
def lmi(listaToken, bigrammiPOS, listaSostAgg):
#dizionario che contiene i bigrammi e la loro lmi
lmi = {}
#lunghezza dei bigrammi
lunghezzaBigrammi = len(bigrammiPOS)
#scorro i bigrammi all'interno dela lista dei Sostantivi-Aggettivi
for bigramma in listaSostAgg:
#calcolo la frequenza del bigramma
frequenzaBigramma = bigrammiPOS.count(bigramma)
#calcolo solo la frequenza del sostantivo
frequenzaSostantivo = listaToken.count(bigramma[0][0])
#calcolo solo la frequenza dell'aggettivo
frequenzaAggettivo = listaToken.count(bigramma[1][0])
#calcolo la probabilita' del bigramma
probabilitaBigr = float(frequenzaBigramma)/lunghezzaBigrammi
#calcolo la probabilità del sostantivo
probSostantivo = float(frequenzaSostantivo)/lunghezzaBigrammi
#calcolo la probabilita' dell'aggettivo
probAgg = float(frequenzaAggettivo)/lunghezzaBigrammi
#calcolo la Local Mutual Information
CalcoloProbabilita = probabilitaBigr/(probAgg*probSostantivo)
CalcoloLmi = probabilitaBigr*math.log(CalcoloProbabilita ,2)
#inserisco la lmi nel dizionario
lmi[bigramma] = CalcoloLmi
#ordino la lmi richiamando la funzione 'OrdinaBigrammi' definita precedentemente
lmiOrdinata = OrdinaBigrammi(lmi)
#estraggo i dieci bigrammi
lmiOrdinata_venti = lmiOrdinata[:10]
return lmiOrdinata_venti
#calcolo i nomi prorpi di luogo con il Named Entity Tagger
def nomiPropriLuogo(frasi):
#lista contente i nomi propri di luogo
NamedEntityLuoghi = []
#scorro le frasi del testo
for frase in frasi:
#tokenizzo la frase
tokens = nltk.word_tokenize(frase)
#faccio il POS Tag dei token
tokenPOS = nltk.pos_tag(tokens)
#calcolo le Named Entity
namedEntity = nltk.ne_chunk(tokenPOS)
#scorro i nodi
for nodo in namedEntity:
NE = ''
#controllo se nodo è un nodo intermedio o una foglia
if hasattr(nodo, "label"):
#estraggo l'etichetta del nodo, in questo caso i nomi propri di luogo
if nodo.label() in ["GPE"]:
#scorro le foglie del nodo e le unisco alle NE
for partNE in nodo.leaves():
NE = NE + ' '+ partNE[0]
NamedEntityLuoghi.append(NE)
#infine restituisco i nomi propri di luogo
return NamedEntityLuoghi
def VentiNE(NamedEntityType):
#lista che contiene i tipi
listaType = []
#scorro i tipi
for Type in NamedEntityType:
#aggiungo i tipi alla lista definita precedentemente
listaType.append(Type)
#calcolo al distribuzione di frequenza dei tipi
distribuzioneType = nltk.FreqDist(listaType)
#estraggo i 20 tipi di nomi di luogo più frequenti e li restituisco
Type_venti = distribuzioneType.most_common(20)
return Type_venti
#funzione che stampa le distribuzioni di frequenza
def stampaFrequenze(DistribuzioneDiFrequenza):
for elem in DistribuzioneDiFrequenza:
print "\t", elem[0].encode("utf-8"), " occorre ", elem[1], "volte"
#funzione che stampa le frequenze dei trigrammi
def stampaFrequenzeTrigrammi(trigrammiFrequenti):
for elem in trigrammiFrequenti:
print "\tIl trigramma", elem[0][0][1], elem[0][1][1], elem[0][2][1], "occorre", elem[1], "volte"
#funzione che stampa le probabilita' dei bigrammi
def stampaProb(bigrammi):
for bigramma in bigrammi[:10]:
print "\tBigramma", bigramma[0][0][1], bigramma[0][1][1], "\t\t\tProbabilità -> ", bigramma[1]
#funzione che stampa le lmi dei bigrammi Sostantivo-Aggettivo
def stampalmi(lmiOrdinata_venti):
for elem in lmiOrdinata_venti :
print "\tBigramma:", elem[0], "\t\t\tLMI-> ", elem[1]
#funzione che stampa le frequenze dei nomi propri di luogo
def stampaType(Type_venti):
for elem in Type_venti:
print "\tIl nome proprio di luogo", elem[0].encode("utf-8"), "occorre", elem[1], "volte"
#funzione principale
def main(file1, file2):
#apro i due file
fileInput1 = codecs.open(file1, "r", "utf-8")
fileInput2 = codecs.open(file2, "r", "utf-8")
#leggo i due file
raw1 = fileInput1.read()
raw2 = fileInput2.read()
#tokenizzo i testi
sent_tokenizer = nltk.data.load('tokenizers/punkt/english.pickle')
#divido in frasi i due file
frasi1 = sent_tokenizer.tokenize(raw1)
frasi2 = sent_tokenizer.tokenize(raw2)
#calcolo la lista di tutti i token, la lista di tutte le POS e la lunghezza dei token
listaToken1, tokenPOSTot1, lunghezza1 = AnnotazioneLinguistica(frasi1)
listaToken2, tokenPOSTot2, lunghezza2 = AnnotazioneLinguistica(frasi2)
#calcolo i 20 token piu' frequenti
TokenFrequenti1 = CalcolaFrequenzaToken(listaToken1)
TokenFrequenti2 = CalcolaFrequenzaToken(listaToken2)
#calcolo i 20 aggettivi piu' frequenti
AggettiviFreq1 = AggettiviFreq(tokenPOSTot1)
AggettiviFreq2 = AggettiviFreq(tokenPOSTot2)
#calcolo i 20 verbi piu' frequenti
VerbiFreq1 = VerbiFreq(tokenPOSTot1)
VerbiFreq2 = VerbiFreq(tokenPOSTot2)
#calcolo le 10 POS piu' frequenti
POSfreq1 = POSfreq(tokenPOSTot1)
POSfreq2 = POSfreq(tokenPOSTot2)
#calcolo i brigrammi
bigrammiPOS1, bigrammiDiversiPOS1 = CalcolaBigrammi(tokenPOSTot1)
bigrammiPOS2, bigrammiDiversiPOS2 = CalcolaBigrammi(tokenPOSTot2)
#Calcolo i trigrammi
trigrammi1 = list(trigrams(tokenPOSTot1))
trigrammi2 = list(trigrams(tokenPOSTot2))
#calcolo i 10 trigrammi di POS piu' frequenti
trigrammiFreq1 = CalcolaFeqTrigrammi(trigrammi1)
trigrammiFreq2 = CalcolaFeqTrigrammi(trigrammi2)
#calcolo la probabilita' congiunta e condizionata dei bigrammi
probCondizionataBigrammi1, probCongiuntaBigrammi1, = CalcolaProbCondizionataECongiunta(listaToken1, bigrammiPOS1, bigrammiDiversiPOS1, lunghezza1)
probCondizionataBigrammi2, probCongiuntaBigrammi2 = CalcolaProbCondizionataECongiunta(listaToken2, bigrammiPOS2, bigrammiDiversiPOS2, lunghezza2)
#calcolo la lista dei 10 sostantivi piu' frequenti
SostantiviFreq1 = sostantiviFreq(tokenPOSTot1)
SostantiviFreq2 = sostantiviFreq(tokenPOSTot2)
#calcolo i bigrammi sostantivo-aggettivo
BigrammiSostAgg1 = CreaListaAggSostantivo(bigrammiPOS1, SostantiviFreq1)
BigrammiSostAgg2 = CreaListaAggSostantivo(bigrammiPOS2, SostantiviFreq2)
#calcolo la lmi
lmi1 = lmi(listaToken1, bigrammiPOS1, BigrammiSostAgg1)
lmi2 = lmi(listaToken2, bigrammiPOS2, BigrammiSostAgg2)
#calcolo i nomi propri di luogo
nomiLuoghi1 = nomiPropriLuogo(frasi1)
nomiLuoghi2 = nomiPropriLuogo(frasi2)
#calcolo i 20 nomi propri di luogo più frequenti
Type_venti1 = VentiNE(nomiLuoghi1)
Type_venti2 = VentiNE(nomiLuoghi2)
#OUTPUT
print "\n"
print "***************OUPUT PROGRAMMA 2***************"
print "\n"
print "------2O TOKEN PIU' FREQUENTI------"
print "20 token piu' frequenti (esclusa la punteggiatura) del corpus dei racconti di viaggio delle donne:"
stampaFrequenze_1 = stampaFrequenze(TokenFrequenti1)
print
print "20 token piu' frequenti (esclusa la punteggiatura) del corpus dei racconti di viaggio degli uomini:"
stampaFrequenze_2 = stampaFrequenze(TokenFrequenti2)
print "\n"
print "------2O AGGETTIVI PIU' FREQUENTI------"
print "20 aggettivi piu' frequenti del corpus dei racconti di viaggio delle donne: "
stampaFrequenzeAggettivi_1 = stampaFrequenze(AggettiviFreq1)
print
print "20 aggettivi piu' frequenti del corpus dei racconti di viaggio degli uomini: "
stampaFrequenzeAggettivi_2 = stampaFrequenze(AggettiviFreq2)
print "\n"
print "------2O VERBI PIU' FREQUENTI------"
print "20 verbi piu' frequenti del corpus dei racconti di viaggio delle donne: "
stampaFrequenzeVerbi_1 = stampaFrequenze(VerbiFreq1)
print
print "20 verbi piu' frequenti del corpus dei racconti di viaggio degli uomini: "
stampaFrequenzeVerbi_2 = stampaFrequenze(VerbiFreq2)
print "\n"
print "------1O POS PIU' FREQUENTI------"
print "10 POS piu' frequenti del corpus dei racconti di viaggio delle donne: "
stampaFrequenzePOS_1 = stampaFrequenze(POSfreq1)
print
print "10 POS piu' frequenti del corpus dei racconti di viaggio degli uomini: "
stampaFrequenzePOS_1 = stampaFrequenze(POSfreq2)
print "\n"
print "------1O TRIGRAMMI DI POS PIU' FREQUENTI------"
print "10 trigrammi di POS piu' frequenti del corpus dei racconti di viaggio delle donne: "
stampaTrigrammi_1 = stampaFrequenzeTrigrammi(trigrammiFreq1)
print
print "10 trigrammi di POS piu' frequenti del corpus dei racconti di viaggio degli uomini: \t"
stampaTrigrammi_2 = stampaFrequenzeTrigrammi(trigrammiFreq2)
print "\n"
print "------1O BIGRAMMI DI POS CON PROBABILITA' CONDIZIONATA MASSIMA------"
print "10 bigrammi di POS con probabilita' condizionata massima del corpus dei racconti di viaggio delle donne "
stampaProb(probCondizionataBigrammi1)
print
print "10 bigrammi di POS con probabilita' condizionata massima del corpus dei racconti di viaggio degli uomini "
stampaProb(probCondizionataBigrammi2)
print"\n"
print "------1O BIGRAMMI DI POS CON PROBABILITA' CONGIUNTA MASSIMA------"
print "10 bigrammi di POS con probabilita' congiunta massima del corpus dei racconti di viaggio delle donne:"
stampaProb(probCongiuntaBigrammi1)
print
print "10 bigrammi di POS con probabilita' congiunta massima del corpus dei racconti di viaggio degli uomini:"
stampaProb(probCongiuntaBigrammi2)
print "\n"
print "------LOCAL MUTUAL INFORMATION (LMI) DEI BIGRAMMI SOSTANTIVO-AGGETTIVO------"
print "LMI dei bigrammi Sostantivo-Aggettivo del corpus dei racconti di viaggio delle donne: "
stampalmi(lmi1)
print
print "LMI dei bigrammi Sostantivo-Aggettivo del corpus dei racconti di viaggio degli uomini: "
stampalmi(lmi2)
print "\n"
print "-----20 NOMI PROPRI DI LUOGO PIU' FREQUENTI-----"
print "20 nomi di luogo piu' frequenti del corpus dei racconti di viaggio delle donne:"
stampaType(Type_venti1)
print
print "20 nomi di luogo piu' frequenti del corpus dei racconti di viaggio degli uomini"
stampaType(Type_venti2)
main(sys.argv[1], sys.argv[2])