gifts_py

hadiah

Mencari elemen yang memiliki fitur umum dengan kueri.

 query = [ 'A' , 'B' ]

elements = [
    [ 'N' , 'A' , 'M' ],  # common features: 'A'
    [ 'C' , 'B' , 'A' ],  # common features: 'A', 'B'  
    [ 'X' , 'Y' ]  # no common features
]

Dalam hal ini, pencarian dengan pengembalian ['C', 'B', 'A'] dan ['N', 'A', 'M'] dalam urutan tertentu.

Gunakan untuk pencarian teks lengkap

Menemukan dokumen yang berisi kata -kata dari kueri.

 from gifts import SmoothFts

fts = SmoothFts ()

fts . add ([ "wait" , "mister" , "postman" ],
        doc_id = "doc1" )

fts . add ([ "please" , "mister" , "postman" , "look" , "and" , "see" ],
        doc_id = "doc2" )

fts . add ([ "oh" , "yes" , "wait" , "a" , "minute" , "mister" , "postman" ],
        doc_id = "doc3" )

# print IDs of documents in which at least one word of the query occurs, 
# starting with the most relevant matches
for doc_id in fts . search ([ 'postman' , 'wait' ]):
    print ( doc_id )

Gunakan untuk penambangan data abstrak

Dalam contoh -contoh di atas, kata -kata itu secara harfiah kata -kata sebagai string. Tetapi mereka bisa menjadi benda apa pun yang cocok sebagai tombol dict .

 from gifts import SmoothFts

fts = SmoothFts ()

fts . add ([ 3 , 1 , 4 , 1 , 5 , 9 , 2 ], doc_id = "doc1" )
fts . add ([ 6 , 5 , 3 , 5 ], doc_id = "doc2" )
fts . add ([ 8 , 9 , 7 , 9 , 3 , 2 ], doc_id = "doc3" )

for doc_id in fts . search ([ 5 , 3 , 7 ]):
    print ( doc_id )

Detail Implementasi

Saat memberi peringkat hasil, algoritma memperhitungkan ::

• jumlah kata yang cocok
• kelangkaan kata -kata seperti itu dalam database
• frekuensi terjadinya kata -kata dalam dokumen

Smoothfts

 from gifts import SmoothFts

Ini menggunakan TF-IDF logaritmik untuk menimbang kata-kata dan kesamaan kosinus untuk mencetak pertandingan.

Simplefts

 from gifts import SimpleFts

Pendekatan minimalis: Timbang, gandakan, bandingkan. Objek ini terasa lebih cepat dari SmoothFts .

Memasang

Pip

pip3 install git+https://github.com/rtmigo/gifts_py#egg=gifts

setup.py

 install_requires = [
    "gifts@ git+https://github.com/rtmigo/gifts_py"
]

Lihat juga

Paket Skifts melakukan pencarian yang sama, tetapi menggunakan scikit-learn dan numpy untuk kinerja yang lebih baik. Secara harfiah ratusan kali lebih cepat.