Программирование (python) для лингвистов дз — различия между версиями

Версия 02:39, 5 октября 2017

Задание 1.

1. Реализовать функцию fibonacci(n) вычисления n-ого числа Фибоначчи со сложностью не хуже O(n) по вренени

2. Реализуйте иерархию наследования с нетривиальной структурой (т.е. иерархия должна образовывать дерево / лес), не менее 6 классов. Например: группы языков, систематика животного мира и т.д. Продемонстрируйте на примере применение полиморфизма к решению какой то задачи. (Например, обслуживание зоопарка в случае животных). P.S. укажите в комментариях к коду (например, в реализации класса зоопарка), в каком месте вы применяете полиформизм

3. Реализуйте средствами ООП паттерн поведения Singleton: класс UniqObject реализует метод класса create_object, который возращает объект UniqObject. Объект UniqObject должен всегда существовать в единственном экземпляре.

Сделанная домашняя работа выкладывается в репозиторий в папку homework_1, решение каждого задания - в отдельный файл task_<номер задания>.py

Задание 2.

Цель задания - научится самостоятельно ориентроваться в документации к библиотекам.

библиотека pattern

инструкция по установке

virtualbox image with preinstalled libraries user: hse, password: hsepass

Вам необходимо написать программу, которая парсит статьи википедии (language=en) и считает по ним некоторые статистики.

1. Реализовать класс WikiParser с конструктором без аргументов и методом get_articles, который принимает название исходной статьи start, обходит все статьи википедии, на которые она ссылается, и возвращает список содержимого статей (с выполнением парсинга).

1. При парсинге каждой статьи для того, чтобы убрать html теги, используется функция pattern.web.plaintext.
2. В результате парсинга между соседними словами должно быть 1 пробел.
3. В результате парсинга весь текст переводится в lowercase, знаки пунктуации выкидываются

Интерфейс:

  class WikiParser:
     def __init__(self):
        pass
     def get_articles(self, start, depth, max_count):
        return list_of_strings

2. Реализовать класс TextStatistics с конструктором, который принимает в качестве аргумента список содержимого статей:

1. get_top_3grams - возвращает tuple, первым элемент которого - список 3-грамм в порядке убывания их частот, второй элемент - соотвественно список сколько раз встретилась каждая 3грамма. Подсчет идет по всему корпусу articles. При подсчете 3-грамм исключить из рассмотрения все числа и пунктуацию.
2. get_top_words - возвращает tuple, первым элемент которого - список слов в порядке убывания их частот, второй элемент - соотвественно список сколько раз встретилась каждое слово. Подсчет идет по всему корпусу articles. При подсчете слов исключить из рассмотрения все числа, предлоги, артикли и пунктуацию.

Интерфейс:

  class TextStatistics:
     def __init___(self, articles):
        pass

     def get_top_3grams(self, n):
        return (list_of_3grams_in_descending_order_by_freq, list_of_their_corresponding_freq)

     def get_top_words(self, n):
        return (list_of_words_in_descending_order_by_freq, list_of_their_corresponding_freq)

3. Реализовать класс Experiment с методом show_results, который используя WikiParser и TextStatistics:

1. Выполняет парсинг статей википедии для "Natural language processing"
2. По полученному корпусу текстов считает топ-20 3-грамм и топ-20 слов.
3. По статье "Natural language processing" (только по ней) считает топ-5 3-грамм и топ-5 слов.
4. Печатает результаты эксперимента в структурированной форме

4. В комментариях после класса Experiment привести результаты выполнения метода show_results.

5. Результатом выполнения задания является код указанных классов и корректные результаты эксперимента

Задание 3.

Интерфейс

  class WikiParser:
     def __init__(self):
        pass
     def get_articles(self, start):
        return list_of_strings

  class TextStatistics:
     def __init___(self, articles):
        pass
     def get_top_3grams(self, n, use_idf=False):
        return (list_of_3grams_in_descending_order_by_freq, list_of_their_corresponding_freq)
     def get_top_words(self, n, use_idf=False):
        return (list_of_words_in_descending_order_by_freq, list_of_their_corresponding_freq)

Используя код из задания 2:

1. Изменить логику работы WikiParser.get_articles - оставить знаки пунктуации, которые разделяют предложения.
2. Изменить логику get_top_3grams - теперь под 3-граммами понимаются буквенные триграммы. Триграммы могут состоять из букв, цифр и не более 1 пробела подряд.
3. Добавить в метод get_top_words параметр use_idf, при выставлении которого частоты умножаются на коэффициент IDF и соотвественно сортируются. IDF = log(<общее кол-во статей в корпусе> / <кол-во статей, в которых встретилось данное слово>)
4. Добавить в метод get_top_3grams параметр use_idf, при выставлении которого частоты умножаются на коэффициент IDF и соотвественно сортируются. IDF = log (<общее кол-во предложений в корпусе> / <кол-во предложений, в которых встретилась данная триграмма>)
5. написать unit тесты к классу TextStatistics, которые проверяют соблюдение описанных условий и корректность подсчета частот. Тесты должны покрывать граничные условия и разные варианты (в разумных пределах) аргументов, передаваемые в методы.
6. выполнить эксперимент:

1 Выполнить парсинг статей википедии для "Natural language processing"
2 По полученному корпусу текстов посчитать топ-20 3-грамм и топ-20 слов с use_idf=True.
3 Печатает результаты эксперимента в структурированной форме
4 В комментариях после класса Experiment привести результаты выполнения метода show_results.
5 Результатом выполнения задания является код указанных классов в 1 файле *.py и корректные результаты эксперимента

!! обратите внимание, что вы кладете 3 дз в новый каталог homework_3, не внося изменения в каталог homework_2

!! обратите внимение, что теперь частоты - это действительные числа.

Задание 4.

По материалам 4 семинара:

1. Модифицировать алгоритм Рабина-Карпа, чтобы он выполнял поиск нескольких паттернов в строке одновременно.
2. Дать асимптотическую верхнюю оценку сложности O() реализованного алгоритма в зависимости от параметров T (длина текста), P_1, P_2, ..., P_n (длины паттернов)
3. Написать юнит тесты к разработанному алгоритму
4. работу оформить в виде скрипта *.py

Интерфейс:

  def search_rabin_multi(text, patterns):
  """
  text - строка, в которой выполняется поиск
  patterns = [pattern_1, pattern_2, ..., pattern_n] - массив паттернов, которые нужно найти в строке text
  По аналогии с оригинальным алгоритмом, функция возвращает массив [indices_1, indices_2, ... indices_n]
  При этом indices_i - массив индексов [pos_1, pos_2, ... pos_n], с которых начинаетй pattern_i в строке text.
  Если pattern_i ни разу не встречается в строке text, ему соотвествует пустой массив, т.е. indices_i = []
  """
     pass