Spaces:
Build error
Build error
Upload 3 files
Browse files- .gitattributes +2 -0
- cleaned_data3.csv +3 -0
- cleaned_processed_data_sample.csv +0 -0
- get_text.ipynb +385 -0
.gitattributes
CHANGED
@@ -37,3 +37,5 @@ combined_output.csv filter=lfs diff=lfs merge=lfs -text
|
|
37 |
combined_texts.csv filter=lfs diff=lfs merge=lfs -text
|
38 |
processed_data.csv filter=lfs diff=lfs merge=lfs -text
|
39 |
cleaned_processed_data.csv filter=lfs diff=lfs merge=lfs -text
|
|
|
|
|
|
37 |
combined_texts.csv filter=lfs diff=lfs merge=lfs -text
|
38 |
processed_data.csv filter=lfs diff=lfs merge=lfs -text
|
39 |
cleaned_processed_data.csv filter=lfs diff=lfs merge=lfs -text
|
40 |
+
cleaned_data3.csv filter=lfs diff=lfs merge=lfs -text
|
41 |
+
cleaned_processed_data_sample.csv filter=lfs diff=lfs merge=lfs -text
|
cleaned_data3.csv
ADDED
@@ -0,0 +1,3 @@
|
|
|
|
|
|
|
|
|
1 |
+
version https://git-lfs.github.com/spec/v1
|
2 |
+
oid sha256:ce6e95de4b9027b056fcd106de49fa4bcdcf6492c3a77d70970c7a049fdc0088
|
3 |
+
size 367048270
|
cleaned_processed_data_sample.csv
CHANGED
The diff for this file is too large to render.
See raw diff
|
|
get_text.ipynb
ADDED
@@ -0,0 +1,385 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
{
|
2 |
+
"cells": [
|
3 |
+
{
|
4 |
+
"cell_type": "code",
|
5 |
+
"execution_count": 3,
|
6 |
+
"metadata": {},
|
7 |
+
"outputs": [],
|
8 |
+
"source": [
|
9 |
+
"from datasets import load_dataset\n",
|
10 |
+
"import pandas as pd \n",
|
11 |
+
"from pymongo import MongoClient\n",
|
12 |
+
"from transformers import BertTokenizer, BertForMaskedLM, DPRContextEncoderTokenizer,DPRContextEncoder;\n",
|
13 |
+
"from sklearn.feature_extraction.text import TfidfVectorizer\n",
|
14 |
+
"import numpy as np\n",
|
15 |
+
"import re\n",
|
16 |
+
"import pandas as pd\n",
|
17 |
+
"from nltk.stem import WordNetLemmatizer\n",
|
18 |
+
"from nltk.corpus import stopwords as nltk_stopwords\n",
|
19 |
+
"from transformers import BertTokenizer, BertModel, AutoTokenizer\n",
|
20 |
+
"from sklearn.metrics.pairwise import cosine_similarity\n",
|
21 |
+
"import torch\n",
|
22 |
+
"from pymongo import MongoClient\n",
|
23 |
+
"import torch.nn.functional as F"
|
24 |
+
]
|
25 |
+
},
|
26 |
+
{
|
27 |
+
"cell_type": "code",
|
28 |
+
"execution_count": 8,
|
29 |
+
"metadata": {},
|
30 |
+
"outputs": [
|
31 |
+
{
|
32 |
+
"name": "stdout",
|
33 |
+
"output_type": "stream",
|
34 |
+
"text": [
|
35 |
+
"Kısaltılmış metinler:\n",
|
36 |
+
"0 Alman tarihçileri Alman sosyologlar Alman devr...\n",
|
37 |
+
"1 Diskografi : Seferberlik Türküleri Kuvayi Mill...\n",
|
38 |
+
"2 Modern bilgisayarlar Ayrıca Bilgisayarlar Bilg...\n",
|
39 |
+
"3 Ayrıca Kaynakça Edebiyat\n",
|
40 |
+
"4 Ayrıca Mühendislik Mühendislik dalları Mühendi...\n",
|
41 |
+
"Name: kısaltılmıs_metin, dtype: object\n",
|
42 |
+
"Tokenize edilmiş ve padding uygulanmış veriler:\n",
|
43 |
+
" kısaltılmıs_metin \\\n",
|
44 |
+
"0 Alman tarihçileri Alman sosyologlar Alman devr... \n",
|
45 |
+
"1 Diskografi : Seferberlik Türküleri Kuvayi Mill... \n",
|
46 |
+
"2 Modern bilgisayarlar Ayrıca Bilgisayarlar Bilg... \n",
|
47 |
+
"3 Ayrıca Kaynakça Edebiyat \n",
|
48 |
+
"4 Ayrıca Mühendislik Mühendislik dalları Mühendi... \n",
|
49 |
+
"\n",
|
50 |
+
" padded_tokens \n",
|
51 |
+
"0 [2, 3651, 2465, 10576, 3651, 23906, 7131, 1980... \n",
|
52 |
+
"1 [2, 28488, 12922, 30, 17749, 3251, 2102, 22548... \n",
|
53 |
+
"2 [2, 11368, 26726, 3401, 7682, 1980, 7682, 7682... \n",
|
54 |
+
"3 [2, 3401, 7934, 2548, 8558, 3, 0, 0, 0, 0, 0, ... \n",
|
55 |
+
"4 [2, 3401, 13858, 13858, 31737, 13858, 13858, 2... \n",
|
56 |
+
"Temizlenmiş veri 'cleaned_data3.csv' dosyasına kaydedildi.\n"
|
57 |
+
]
|
58 |
+
},
|
59 |
+
{
|
60 |
+
"data": {
|
61 |
+
"text/plain": [
|
62 |
+
"'cleaned_data3.csv'"
|
63 |
+
]
|
64 |
+
},
|
65 |
+
"execution_count": 8,
|
66 |
+
"metadata": {},
|
67 |
+
"output_type": "execute_result"
|
68 |
+
}
|
69 |
+
],
|
70 |
+
"source": [
|
71 |
+
"import pandas as pd\n",
|
72 |
+
"import re\n",
|
73 |
+
"from nltk.corpus import stopwords\n",
|
74 |
+
"from transformers import AutoTokenizer\n",
|
75 |
+
"\n",
|
76 |
+
"#------------------------cümlelerin boyutlarını ve stop wordsleri tanımladığımız yer -----------------------------\n",
|
77 |
+
"import spacy\n",
|
78 |
+
"from spacy.lang.tr import Turkish\n",
|
79 |
+
"\n",
|
80 |
+
"nlp = Turkish()\n",
|
81 |
+
"\n",
|
82 |
+
"def truncate_text_meaningful(text, max_len=300):\n",
|
83 |
+
" doc = nlp(text)\n",
|
84 |
+
"\n",
|
85 |
+
" # Stop kelimeleri ve noktalama işaretlerini kaldır\n",
|
86 |
+
" tokens = [token.lemma_ for token in doc if not token.is_stop and not token.is_punct]\n",
|
87 |
+
"\n",
|
88 |
+
" # Named Entity Recognition (isteğe bağlı)\n",
|
89 |
+
" # for ent in doc.ents:\n",
|
90 |
+
" # print(ent.text, ent.label_)\n",
|
91 |
+
"\n",
|
92 |
+
" # Belirli bir uzunluktaki metni döndür\n",
|
93 |
+
" truncated_text = ' '.join(tokens[:max_len])\n",
|
94 |
+
"\n",
|
95 |
+
" return truncated_text\n",
|
96 |
+
" \n",
|
97 |
+
"\n",
|
98 |
+
" \n",
|
99 |
+
"\n",
|
100 |
+
" \n",
|
101 |
+
"\n",
|
102 |
+
"#----------------------------------tokenize etme fonksiyonu-----------------------------------\n",
|
103 |
+
"def tokenize_and_pad(data, model_name='bert-base-uncased', max_length=512):\n",
|
104 |
+
" tokenizer = AutoTokenizer.from_pretrained(model_name)\n",
|
105 |
+
" encoded_input = tokenizer(data, padding=True, truncation=True, max_length=max_length)\n",
|
106 |
+
" return encoded_input\n",
|
107 |
+
"\n",
|
108 |
+
"class DataProcessor:\n",
|
109 |
+
" def __init__(self, input_csv, output_csv, max_words=300, model_name='dbmdz/distilbert-base-turkish-cased'):\n",
|
110 |
+
" self.input_csv = input_csv\n",
|
111 |
+
" self.output_csv = output_csv\n",
|
112 |
+
" self.max_words = max_words\n",
|
113 |
+
" self.model_name = model_name\n",
|
114 |
+
"\n",
|
115 |
+
" def main_pipeline(self):\n",
|
116 |
+
"\n",
|
117 |
+
" def filter_text(text):\n",
|
118 |
+
" # Dış bağlantılar ve kaynakçaları kaldır\n",
|
119 |
+
" text = re.sub(r'http\\S+|https\\S+|\\b(?:www\\.)?\\S+\\.\\w{2,4}\\b', '', text)\n",
|
120 |
+
" # Tarih ve sayıları kaldır\n",
|
121 |
+
" text = re.sub(r'\\d{4}-\\d{2}-\\d{2}|\\d{2}/\\d{2}/\\d{4}|\\d+', '', text) # Tari\n",
|
122 |
+
" # Sayıları kaldır\n",
|
123 |
+
" text = re.sub(r'\\d+', '', text)\n",
|
124 |
+
" # Kısa veya uzun kelimeleri kaldır\n",
|
125 |
+
" words = text.split()\n",
|
126 |
+
" words = [word for word in words if 2 <= len(word) <= 20]\n",
|
127 |
+
" return ' '.join(words)\n",
|
128 |
+
" \n",
|
129 |
+
" df = pd.read_csv(self.input_csv)\n",
|
130 |
+
" df['kısaltılmıs_metin'] = df['metinler'].apply(filter_text)\n",
|
131 |
+
"\n",
|
132 |
+
" \n",
|
133 |
+
"\n",
|
134 |
+
" # Metinleri kısalt\n",
|
135 |
+
" df['kısaltılmıs_metin'] = df['metinler'].apply(lambda x: truncate_text_meaningful(x, max_len=self.max_words))\n",
|
136 |
+
" padded_tokens = tokenize_and_pad(df['kısaltılmıs_metin'].tolist(), model_name=self.model_name)\n",
|
137 |
+
" df['padded_tokens'] = padded_tokens['input_ids']\n",
|
138 |
+
" print(\"Kısaltılmış metinler:\")\n",
|
139 |
+
" print(df['kısaltılmıs_metin'].head())\n",
|
140 |
+
" print(\"Tokenize edilmiş ve padding uygulanmış veriler:\")\n",
|
141 |
+
" print(df[['kısaltılmıs_metin', 'padded_tokens']].head())\n",
|
142 |
+
" \n",
|
143 |
+
" \n",
|
144 |
+
"\n",
|
145 |
+
" # Veriyi kaydet\n",
|
146 |
+
" self.save_cleaned_data(df)\n",
|
147 |
+
" \n",
|
148 |
+
" return self.output_csv\n",
|
149 |
+
" \n",
|
150 |
+
"\n",
|
151 |
+
" def save_cleaned_data(self, df):\n",
|
152 |
+
" df.to_csv(self.output_csv, index=False)\n",
|
153 |
+
" print(f\"Temizlenmiş veri '{self.output_csv}' dosyasına kaydedildi.\")\n",
|
154 |
+
"\n",
|
155 |
+
"#---------------------------------Verilerin kaydedilmesi-------------------------------------\n",
|
156 |
+
"\n",
|
157 |
+
"processor = DataProcessor(input_csv=\"texts_egitim.csv\", output_csv=\"cleaned_data3.csv\")\n",
|
158 |
+
"processor.main_pipeline()\n"
|
159 |
+
]
|
160 |
+
},
|
161 |
+
{
|
162 |
+
"cell_type": "code",
|
163 |
+
"execution_count": 9,
|
164 |
+
"metadata": {},
|
165 |
+
"outputs": [
|
166 |
+
{
|
167 |
+
"name": "stdout",
|
168 |
+
"output_type": "stream",
|
169 |
+
"text": [
|
170 |
+
" kısaltılmıs_metin\n",
|
171 |
+
"0 Alman tarihçileri Alman sosyologlar Alman devr...\n",
|
172 |
+
"1 Diskografi : Seferberlik Türküleri Kuvayi Mill...\n",
|
173 |
+
"2 Modern bilgisayarlar Ayrıca Bilgisayarlar Bilg...\n",
|
174 |
+
"3 Ayrıca Kaynakça Edebiyat\n",
|
175 |
+
"4 Ayrıca Mühendislik Mühendislik dalları Mühendi...\n",
|
176 |
+
"... ...\n",
|
177 |
+
"104103 Dış bağlantılar Kaynakça Cicerininae\n",
|
178 |
+
"104104 Dış bağlantılar Kaynakça Cicerininae\n",
|
179 |
+
"104105 Lig futbolcuları\n",
|
180 |
+
"104106 Dış bağlantılar Kaynakça Kalyptorhynchia\n",
|
181 |
+
"104107 Dış bağlantılar 'de Japonya'da oluşumlar 'de b...\n",
|
182 |
+
"\n",
|
183 |
+
"[104108 rows x 1 columns]\n"
|
184 |
+
]
|
185 |
+
},
|
186 |
+
{
|
187 |
+
"data": {
|
188 |
+
"text/html": [
|
189 |
+
"<div>\n",
|
190 |
+
"<style scoped>\n",
|
191 |
+
" .dataframe tbody tr th:only-of-type {\n",
|
192 |
+
" vertical-align: middle;\n",
|
193 |
+
" }\n",
|
194 |
+
"\n",
|
195 |
+
" .dataframe tbody tr th {\n",
|
196 |
+
" vertical-align: top;\n",
|
197 |
+
" }\n",
|
198 |
+
"\n",
|
199 |
+
" .dataframe thead th {\n",
|
200 |
+
" text-align: right;\n",
|
201 |
+
" }\n",
|
202 |
+
"</style>\n",
|
203 |
+
"<table border=\"1\" class=\"dataframe\">\n",
|
204 |
+
" <thead>\n",
|
205 |
+
" <tr style=\"text-align: right;\">\n",
|
206 |
+
" <th></th>\n",
|
207 |
+
" <th>kısaltılmıs_metin</th>\n",
|
208 |
+
" </tr>\n",
|
209 |
+
" </thead>\n",
|
210 |
+
" <tbody>\n",
|
211 |
+
" <tr>\n",
|
212 |
+
" <th>0</th>\n",
|
213 |
+
" <td>Alman tarihçileri Alman sosyologlar Alman devr...</td>\n",
|
214 |
+
" </tr>\n",
|
215 |
+
" <tr>\n",
|
216 |
+
" <th>1</th>\n",
|
217 |
+
" <td>Diskografi : Seferberlik Türküleri Kuvayi Mill...</td>\n",
|
218 |
+
" </tr>\n",
|
219 |
+
" <tr>\n",
|
220 |
+
" <th>2</th>\n",
|
221 |
+
" <td>Modern bilgisayarlar Ayrıca Bilgisayarlar Bilg...</td>\n",
|
222 |
+
" </tr>\n",
|
223 |
+
" <tr>\n",
|
224 |
+
" <th>3</th>\n",
|
225 |
+
" <td>Ayrıca Kaynakça Edebiyat</td>\n",
|
226 |
+
" </tr>\n",
|
227 |
+
" <tr>\n",
|
228 |
+
" <th>4</th>\n",
|
229 |
+
" <td>Ayrıca Mühendislik Mühendislik dalları Mühendi...</td>\n",
|
230 |
+
" </tr>\n",
|
231 |
+
" <tr>\n",
|
232 |
+
" <th>...</th>\n",
|
233 |
+
" <td>...</td>\n",
|
234 |
+
" </tr>\n",
|
235 |
+
" <tr>\n",
|
236 |
+
" <th>104103</th>\n",
|
237 |
+
" <td>Dış bağlantılar Kaynakça Cicerininae</td>\n",
|
238 |
+
" </tr>\n",
|
239 |
+
" <tr>\n",
|
240 |
+
" <th>104104</th>\n",
|
241 |
+
" <td>Dış bağlantılar Kaynakça Cicerininae</td>\n",
|
242 |
+
" </tr>\n",
|
243 |
+
" <tr>\n",
|
244 |
+
" <th>104105</th>\n",
|
245 |
+
" <td>Lig futbolcuları</td>\n",
|
246 |
+
" </tr>\n",
|
247 |
+
" <tr>\n",
|
248 |
+
" <th>104106</th>\n",
|
249 |
+
" <td>Dış bağlantılar Kaynakça Kalyptorhynchia</td>\n",
|
250 |
+
" </tr>\n",
|
251 |
+
" <tr>\n",
|
252 |
+
" <th>104107</th>\n",
|
253 |
+
" <td>Dış bağlantılar 'de Japonya'da oluşumlar 'de b...</td>\n",
|
254 |
+
" </tr>\n",
|
255 |
+
" </tbody>\n",
|
256 |
+
"</table>\n",
|
257 |
+
"<p>104108 rows × 1 columns</p>\n",
|
258 |
+
"</div>"
|
259 |
+
],
|
260 |
+
"text/plain": [
|
261 |
+
" kısaltılmıs_metin\n",
|
262 |
+
"0 Alman tarihçileri Alman sosyologlar Alman devr...\n",
|
263 |
+
"1 Diskografi : Seferberlik Türküleri Kuvayi Mill...\n",
|
264 |
+
"2 Modern bilgisayarlar Ayrıca Bilgisayarlar Bilg...\n",
|
265 |
+
"3 Ayrıca Kaynakça Edebiyat\n",
|
266 |
+
"4 Ayrıca Mühendislik Mühendislik dalları Mühendi...\n",
|
267 |
+
"... ...\n",
|
268 |
+
"104103 Dış bağlantılar Kaynakça Cicerininae\n",
|
269 |
+
"104104 Dış bağlantılar Kaynakça Cicerininae\n",
|
270 |
+
"104105 Lig futbolcuları\n",
|
271 |
+
"104106 Dış bağlantılar Kaynakça Kalyptorhynchia\n",
|
272 |
+
"104107 Dış bağlantılar 'de Japonya'da oluşumlar 'de b...\n",
|
273 |
+
"\n",
|
274 |
+
"[104108 rows x 1 columns]"
|
275 |
+
]
|
276 |
+
},
|
277 |
+
"metadata": {},
|
278 |
+
"output_type": "display_data"
|
279 |
+
}
|
280 |
+
],
|
281 |
+
"source": [
|
282 |
+
"import pandas as pd\n",
|
283 |
+
"\n",
|
284 |
+
"# CSV dosyasını oku\n",
|
285 |
+
"df = pd.read_csv('cleaned_data3.csv')\n",
|
286 |
+
"\n",
|
287 |
+
"# Görmek istediğiniz üç sütunu seçin\n",
|
288 |
+
"selected_columns = df[['kısaltılmıs_metin']]\n",
|
289 |
+
"\n",
|
290 |
+
"# Seçilen sütunları tablo olarak görüntüle\n",
|
291 |
+
"print(selected_columns)\n",
|
292 |
+
"\n",
|
293 |
+
"# Eğer Jupyter Notebook kullanıyorsanız, daha güzel görüntü için display() fonksiyonunu kullanabilirsiniz:\n",
|
294 |
+
"from IPython.display import display\n",
|
295 |
+
"display(selected_columns)\n"
|
296 |
+
]
|
297 |
+
},
|
298 |
+
{
|
299 |
+
"cell_type": "code",
|
300 |
+
"execution_count": 10,
|
301 |
+
"metadata": {},
|
302 |
+
"outputs": [
|
303 |
+
{
|
304 |
+
"ename": "AttributeError",
|
305 |
+
"evalue": "'float' object has no attribute 'split'",
|
306 |
+
"output_type": "error",
|
307 |
+
"traceback": [
|
308 |
+
"\u001b[1;31m---------------------------------------------------------------------------\u001b[0m",
|
309 |
+
"\u001b[1;31mAttributeError\u001b[0m Traceback (most recent call last)",
|
310 |
+
"Cell \u001b[1;32mIn[10], line 12\u001b[0m\n\u001b[0;32m 9\u001b[0m df_sample \u001b[38;5;241m=\u001b[39m df\u001b[38;5;241m.\u001b[39msample(n\u001b[38;5;241m=\u001b[39m\u001b[38;5;241m10000\u001b[39m, random_state\u001b[38;5;241m=\u001b[39m\u001b[38;5;241m100\u001b[39m)\n\u001b[0;32m 11\u001b[0m \u001b[38;5;66;03m# Kelimeleri token'lara ayırma\u001b[39;00m\n\u001b[1;32m---> 12\u001b[0m tokenized_text \u001b[38;5;241m=\u001b[39m [text\u001b[38;5;241m.\u001b[39msplit() \u001b[38;5;28;01mfor\u001b[39;00m text \u001b[38;5;129;01min\u001b[39;00m df_sample[\u001b[38;5;124m'\u001b[39m\u001b[38;5;124mkısaltılmıs_metin\u001b[39m\u001b[38;5;124m'\u001b[39m]]\n\u001b[0;32m 14\u001b[0m \u001b[38;5;66;03m# Dictionary ve Corpus oluşturma\u001b[39;00m\n\u001b[0;32m 15\u001b[0m id2word \u001b[38;5;241m=\u001b[39m corpora\u001b[38;5;241m.\u001b[39mDictionary(tokenized_text)\n",
|
311 |
+
"Cell \u001b[1;32mIn[10], line 12\u001b[0m, in \u001b[0;36m<listcomp>\u001b[1;34m(.0)\u001b[0m\n\u001b[0;32m 9\u001b[0m df_sample \u001b[38;5;241m=\u001b[39m df\u001b[38;5;241m.\u001b[39msample(n\u001b[38;5;241m=\u001b[39m\u001b[38;5;241m10000\u001b[39m, random_state\u001b[38;5;241m=\u001b[39m\u001b[38;5;241m100\u001b[39m)\n\u001b[0;32m 11\u001b[0m \u001b[38;5;66;03m# Kelimeleri token'lara ayırma\u001b[39;00m\n\u001b[1;32m---> 12\u001b[0m tokenized_text \u001b[38;5;241m=\u001b[39m [\u001b[43mtext\u001b[49m\u001b[38;5;241;43m.\u001b[39;49m\u001b[43msplit\u001b[49m() \u001b[38;5;28;01mfor\u001b[39;00m text \u001b[38;5;129;01min\u001b[39;00m df_sample[\u001b[38;5;124m'\u001b[39m\u001b[38;5;124mkısaltılmıs_metin\u001b[39m\u001b[38;5;124m'\u001b[39m]]\n\u001b[0;32m 14\u001b[0m \u001b[38;5;66;03m# Dictionary ve Corpus oluşturma\u001b[39;00m\n\u001b[0;32m 15\u001b[0m id2word \u001b[38;5;241m=\u001b[39m corpora\u001b[38;5;241m.\u001b[39mDictionary(tokenized_text)\n",
|
312 |
+
"\u001b[1;31mAttributeError\u001b[0m: 'float' object has no attribute 'split'"
|
313 |
+
]
|
314 |
+
}
|
315 |
+
],
|
316 |
+
"source": [
|
317 |
+
"from gensim import corpora\n",
|
318 |
+
"from gensim.models import LdaMulticore\n",
|
319 |
+
"import pandas as pd\n",
|
320 |
+
"\n",
|
321 |
+
"# CSV dosyasını okuma\n",
|
322 |
+
"df = pd.read_csv('cleaned_data3.csv')\n",
|
323 |
+
"\n",
|
324 |
+
"# Verinin bir alt kümesini seçme\n",
|
325 |
+
"df_sample = df.sample(n=10000, random_state=100)\n",
|
326 |
+
"\n",
|
327 |
+
"# Kelimeleri token'lara ayırma\n",
|
328 |
+
"tokenized_text = [text.split() for text in df_sample['kısaltılmıs_metin']]\n",
|
329 |
+
"\n",
|
330 |
+
"# Dictionary ve Corpus oluşturma\n",
|
331 |
+
"id2word = corpora.Dictionary(tokenized_text)\n",
|
332 |
+
"corpus = [id2word.doc2bow(text) for text in tokenized_text]\n",
|
333 |
+
"\n",
|
334 |
+
"# LDA Modelini Eğitme\n",
|
335 |
+
"lda_model = LdaMulticore(\n",
|
336 |
+
" corpus=corpus,\n",
|
337 |
+
" id2word=id2word,\n",
|
338 |
+
" num_topics=5,\n",
|
339 |
+
" random_state=100,\n",
|
340 |
+
" chunksize=50,\n",
|
341 |
+
" passes=5,\n",
|
342 |
+
" alpha='symmetric',\n",
|
343 |
+
" eta='auto',\n",
|
344 |
+
" per_word_topics=True,\n",
|
345 |
+
" workers=4 # Paralel iş parçacıkları kullanarak performansı artırır\n",
|
346 |
+
")\n",
|
347 |
+
"\n",
|
348 |
+
"# Sonuçları görüntüleme\n",
|
349 |
+
"for idx, topic in lda_model.print_topics(-1):\n",
|
350 |
+
" print(f\"Topic: {idx}\\nWords: {topic}\\n\")\n",
|
351 |
+
"\n",
|
352 |
+
"# Alt kümesini kaydetme\n",
|
353 |
+
"df_sample.to_csv('cleaned_processed_data_sample.csv', index=False)\n"
|
354 |
+
]
|
355 |
+
},
|
356 |
+
{
|
357 |
+
"cell_type": "code",
|
358 |
+
"execution_count": null,
|
359 |
+
"metadata": {},
|
360 |
+
"outputs": [],
|
361 |
+
"source": []
|
362 |
+
}
|
363 |
+
],
|
364 |
+
"metadata": {
|
365 |
+
"kernelspec": {
|
366 |
+
"display_name": ".venv",
|
367 |
+
"language": "python",
|
368 |
+
"name": "python3"
|
369 |
+
},
|
370 |
+
"language_info": {
|
371 |
+
"codemirror_mode": {
|
372 |
+
"name": "ipython",
|
373 |
+
"version": 3
|
374 |
+
},
|
375 |
+
"file_extension": ".py",
|
376 |
+
"mimetype": "text/x-python",
|
377 |
+
"name": "python",
|
378 |
+
"nbconvert_exporter": "python",
|
379 |
+
"pygments_lexer": "ipython3",
|
380 |
+
"version": "3.10.11"
|
381 |
+
}
|
382 |
+
},
|
383 |
+
"nbformat": 4,
|
384 |
+
"nbformat_minor": 2
|
385 |
+
}
|