Spaces:
Build error
Build error
File size: 16,036 Bytes
4c37d0f |
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 |
{
"cells": [
{
"cell_type": "code",
"execution_count": 3,
"metadata": {},
"outputs": [],
"source": [
"from datasets import load_dataset\n",
"import pandas as pd \n",
"from pymongo import MongoClient\n",
"from transformers import BertTokenizer, BertForMaskedLM, DPRContextEncoderTokenizer,DPRContextEncoder;\n",
"from sklearn.feature_extraction.text import TfidfVectorizer\n",
"import numpy as np\n",
"import re\n",
"import pandas as pd\n",
"from nltk.stem import WordNetLemmatizer\n",
"from nltk.corpus import stopwords as nltk_stopwords\n",
"from transformers import BertTokenizer, BertModel, AutoTokenizer\n",
"from sklearn.metrics.pairwise import cosine_similarity\n",
"import torch\n",
"from pymongo import MongoClient\n",
"import torch.nn.functional as F"
]
},
{
"cell_type": "code",
"execution_count": 8,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Kısaltılmış metinler:\n",
"0 Alman tarihçileri Alman sosyologlar Alman devr...\n",
"1 Diskografi : Seferberlik Türküleri Kuvayi Mill...\n",
"2 Modern bilgisayarlar Ayrıca Bilgisayarlar Bilg...\n",
"3 Ayrıca Kaynakça Edebiyat\n",
"4 Ayrıca Mühendislik Mühendislik dalları Mühendi...\n",
"Name: kısaltılmıs_metin, dtype: object\n",
"Tokenize edilmiş ve padding uygulanmış veriler:\n",
" kısaltılmıs_metin \\\n",
"0 Alman tarihçileri Alman sosyologlar Alman devr... \n",
"1 Diskografi : Seferberlik Türküleri Kuvayi Mill... \n",
"2 Modern bilgisayarlar Ayrıca Bilgisayarlar Bilg... \n",
"3 Ayrıca Kaynakça Edebiyat \n",
"4 Ayrıca Mühendislik Mühendislik dalları Mühendi... \n",
"\n",
" padded_tokens \n",
"0 [2, 3651, 2465, 10576, 3651, 23906, 7131, 1980... \n",
"1 [2, 28488, 12922, 30, 17749, 3251, 2102, 22548... \n",
"2 [2, 11368, 26726, 3401, 7682, 1980, 7682, 7682... \n",
"3 [2, 3401, 7934, 2548, 8558, 3, 0, 0, 0, 0, 0, ... \n",
"4 [2, 3401, 13858, 13858, 31737, 13858, 13858, 2... \n",
"Temizlenmiş veri 'cleaned_data3.csv' dosyasına kaydedildi.\n"
]
},
{
"data": {
"text/plain": [
"'cleaned_data3.csv'"
]
},
"execution_count": 8,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"import pandas as pd\n",
"import re\n",
"from nltk.corpus import stopwords\n",
"from transformers import AutoTokenizer\n",
"\n",
"#------------------------cümlelerin boyutlarını ve stop wordsleri tanımladığımız yer -----------------------------\n",
"import spacy\n",
"from spacy.lang.tr import Turkish\n",
"\n",
"nlp = Turkish()\n",
"\n",
"def truncate_text_meaningful(text, max_len=300):\n",
" doc = nlp(text)\n",
"\n",
" # Stop kelimeleri ve noktalama işaretlerini kaldır\n",
" tokens = [token.lemma_ for token in doc if not token.is_stop and not token.is_punct]\n",
"\n",
" # Named Entity Recognition (isteğe bağlı)\n",
" # for ent in doc.ents:\n",
" # print(ent.text, ent.label_)\n",
"\n",
" # Belirli bir uzunluktaki metni döndür\n",
" truncated_text = ' '.join(tokens[:max_len])\n",
"\n",
" return truncated_text\n",
" \n",
"\n",
" \n",
"\n",
" \n",
"\n",
"#----------------------------------tokenize etme fonksiyonu-----------------------------------\n",
"def tokenize_and_pad(data, model_name='bert-base-uncased', max_length=512):\n",
" tokenizer = AutoTokenizer.from_pretrained(model_name)\n",
" encoded_input = tokenizer(data, padding=True, truncation=True, max_length=max_length)\n",
" return encoded_input\n",
"\n",
"class DataProcessor:\n",
" def __init__(self, input_csv, output_csv, max_words=300, model_name='dbmdz/distilbert-base-turkish-cased'):\n",
" self.input_csv = input_csv\n",
" self.output_csv = output_csv\n",
" self.max_words = max_words\n",
" self.model_name = model_name\n",
"\n",
" def main_pipeline(self):\n",
"\n",
" def filter_text(text):\n",
" # Dış bağlantılar ve kaynakçaları kaldır\n",
" text = re.sub(r'http\\S+|https\\S+|\\b(?:www\\.)?\\S+\\.\\w{2,4}\\b', '', text)\n",
" # Tarih ve sayıları kaldır\n",
" text = re.sub(r'\\d{4}-\\d{2}-\\d{2}|\\d{2}/\\d{2}/\\d{4}|\\d+', '', text) # Tari\n",
" # Sayıları kaldır\n",
" text = re.sub(r'\\d+', '', text)\n",
" # Kısa veya uzun kelimeleri kaldır\n",
" words = text.split()\n",
" words = [word for word in words if 2 <= len(word) <= 20]\n",
" return ' '.join(words)\n",
" \n",
" df = pd.read_csv(self.input_csv)\n",
" df['kısaltılmıs_metin'] = df['metinler'].apply(filter_text)\n",
"\n",
" \n",
"\n",
" # Metinleri kısalt\n",
" df['kısaltılmıs_metin'] = df['metinler'].apply(lambda x: truncate_text_meaningful(x, max_len=self.max_words))\n",
" padded_tokens = tokenize_and_pad(df['kısaltılmıs_metin'].tolist(), model_name=self.model_name)\n",
" df['padded_tokens'] = padded_tokens['input_ids']\n",
" print(\"Kısaltılmış metinler:\")\n",
" print(df['kısaltılmıs_metin'].head())\n",
" print(\"Tokenize edilmiş ve padding uygulanmış veriler:\")\n",
" print(df[['kısaltılmıs_metin', 'padded_tokens']].head())\n",
" \n",
" \n",
"\n",
" # Veriyi kaydet\n",
" self.save_cleaned_data(df)\n",
" \n",
" return self.output_csv\n",
" \n",
"\n",
" def save_cleaned_data(self, df):\n",
" df.to_csv(self.output_csv, index=False)\n",
" print(f\"Temizlenmiş veri '{self.output_csv}' dosyasına kaydedildi.\")\n",
"\n",
"#---------------------------------Verilerin kaydedilmesi-------------------------------------\n",
"\n",
"processor = DataProcessor(input_csv=\"texts_egitim.csv\", output_csv=\"cleaned_data3.csv\")\n",
"processor.main_pipeline()\n"
]
},
{
"cell_type": "code",
"execution_count": 9,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
" kısaltılmıs_metin\n",
"0 Alman tarihçileri Alman sosyologlar Alman devr...\n",
"1 Diskografi : Seferberlik Türküleri Kuvayi Mill...\n",
"2 Modern bilgisayarlar Ayrıca Bilgisayarlar Bilg...\n",
"3 Ayrıca Kaynakça Edebiyat\n",
"4 Ayrıca Mühendislik Mühendislik dalları Mühendi...\n",
"... ...\n",
"104103 Dış bağlantılar Kaynakça Cicerininae\n",
"104104 Dış bağlantılar Kaynakça Cicerininae\n",
"104105 Lig futbolcuları\n",
"104106 Dış bağlantılar Kaynakça Kalyptorhynchia\n",
"104107 Dış bağlantılar 'de Japonya'da oluşumlar 'de b...\n",
"\n",
"[104108 rows x 1 columns]\n"
]
},
{
"data": {
"text/html": [
"<div>\n",
"<style scoped>\n",
" .dataframe tbody tr th:only-of-type {\n",
" vertical-align: middle;\n",
" }\n",
"\n",
" .dataframe tbody tr th {\n",
" vertical-align: top;\n",
" }\n",
"\n",
" .dataframe thead th {\n",
" text-align: right;\n",
" }\n",
"</style>\n",
"<table border=\"1\" class=\"dataframe\">\n",
" <thead>\n",
" <tr style=\"text-align: right;\">\n",
" <th></th>\n",
" <th>kısaltılmıs_metin</th>\n",
" </tr>\n",
" </thead>\n",
" <tbody>\n",
" <tr>\n",
" <th>0</th>\n",
" <td>Alman tarihçileri Alman sosyologlar Alman devr...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>1</th>\n",
" <td>Diskografi : Seferberlik Türküleri Kuvayi Mill...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>2</th>\n",
" <td>Modern bilgisayarlar Ayrıca Bilgisayarlar Bilg...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>3</th>\n",
" <td>Ayrıca Kaynakça Edebiyat</td>\n",
" </tr>\n",
" <tr>\n",
" <th>4</th>\n",
" <td>Ayrıca Mühendislik Mühendislik dalları Mühendi...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>...</th>\n",
" <td>...</td>\n",
" </tr>\n",
" <tr>\n",
" <th>104103</th>\n",
" <td>Dış bağlantılar Kaynakça Cicerininae</td>\n",
" </tr>\n",
" <tr>\n",
" <th>104104</th>\n",
" <td>Dış bağlantılar Kaynakça Cicerininae</td>\n",
" </tr>\n",
" <tr>\n",
" <th>104105</th>\n",
" <td>Lig futbolcuları</td>\n",
" </tr>\n",
" <tr>\n",
" <th>104106</th>\n",
" <td>Dış bağlantılar Kaynakça Kalyptorhynchia</td>\n",
" </tr>\n",
" <tr>\n",
" <th>104107</th>\n",
" <td>Dış bağlantılar 'de Japonya'da oluşumlar 'de b...</td>\n",
" </tr>\n",
" </tbody>\n",
"</table>\n",
"<p>104108 rows × 1 columns</p>\n",
"</div>"
],
"text/plain": [
" kısaltılmıs_metin\n",
"0 Alman tarihçileri Alman sosyologlar Alman devr...\n",
"1 Diskografi : Seferberlik Türküleri Kuvayi Mill...\n",
"2 Modern bilgisayarlar Ayrıca Bilgisayarlar Bilg...\n",
"3 Ayrıca Kaynakça Edebiyat\n",
"4 Ayrıca Mühendislik Mühendislik dalları Mühendi...\n",
"... ...\n",
"104103 Dış bağlantılar Kaynakça Cicerininae\n",
"104104 Dış bağlantılar Kaynakça Cicerininae\n",
"104105 Lig futbolcuları\n",
"104106 Dış bağlantılar Kaynakça Kalyptorhynchia\n",
"104107 Dış bağlantılar 'de Japonya'da oluşumlar 'de b...\n",
"\n",
"[104108 rows x 1 columns]"
]
},
"metadata": {},
"output_type": "display_data"
}
],
"source": [
"import pandas as pd\n",
"\n",
"# CSV dosyasını oku\n",
"df = pd.read_csv('cleaned_data3.csv')\n",
"\n",
"# Görmek istediğiniz üç sütunu seçin\n",
"selected_columns = df[['kısaltılmıs_metin']]\n",
"\n",
"# Seçilen sütunları tablo olarak görüntüle\n",
"print(selected_columns)\n",
"\n",
"# Eğer Jupyter Notebook kullanıyorsanız, daha güzel görüntü için display() fonksiyonunu kullanabilirsiniz:\n",
"from IPython.display import display\n",
"display(selected_columns)\n"
]
},
{
"cell_type": "code",
"execution_count": 10,
"metadata": {},
"outputs": [
{
"ename": "AttributeError",
"evalue": "'float' object has no attribute 'split'",
"output_type": "error",
"traceback": [
"\u001b[1;31m---------------------------------------------------------------------------\u001b[0m",
"\u001b[1;31mAttributeError\u001b[0m Traceback (most recent call last)",
"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",
"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",
"\u001b[1;31mAttributeError\u001b[0m: 'float' object has no attribute 'split'"
]
}
],
"source": [
"from gensim import corpora\n",
"from gensim.models import LdaMulticore\n",
"import pandas as pd\n",
"\n",
"# CSV dosyasını okuma\n",
"df = pd.read_csv('cleaned_data3.csv')\n",
"\n",
"# Verinin bir alt kümesini seçme\n",
"df_sample = df.sample(n=10000, random_state=100)\n",
"\n",
"# Kelimeleri token'lara ayırma\n",
"tokenized_text = [text.split() for text in df_sample['kısaltılmıs_metin']]\n",
"\n",
"# Dictionary ve Corpus oluşturma\n",
"id2word = corpora.Dictionary(tokenized_text)\n",
"corpus = [id2word.doc2bow(text) for text in tokenized_text]\n",
"\n",
"# LDA Modelini Eğitme\n",
"lda_model = LdaMulticore(\n",
" corpus=corpus,\n",
" id2word=id2word,\n",
" num_topics=5,\n",
" random_state=100,\n",
" chunksize=50,\n",
" passes=5,\n",
" alpha='symmetric',\n",
" eta='auto',\n",
" per_word_topics=True,\n",
" workers=4 # Paralel iş parçacıkları kullanarak performansı artırır\n",
")\n",
"\n",
"# Sonuçları görüntüleme\n",
"for idx, topic in lda_model.print_topics(-1):\n",
" print(f\"Topic: {idx}\\nWords: {topic}\\n\")\n",
"\n",
"# Alt kümesini kaydetme\n",
"df_sample.to_csv('cleaned_processed_data_sample.csv', index=False)\n"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": []
}
],
"metadata": {
"kernelspec": {
"display_name": ".venv",
"language": "python",
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.10.11"
}
},
"nbformat": 4,
"nbformat_minor": 2
}
|