From 60b27088882089e58d47b48ad4791c3d8a1a9ffd Mon Sep 17 00:00:00 2001
From: =?UTF-8?q?Jakub=20Kolasin=CC=81ski?= <jakkol4@st.amu.edu.pl>
Date: Tue, 13 Apr 2021 20:28:41 +0200
Subject: [PATCH] Use stopwords

---
 classifier.py |  35 +++--
 dev-0/out.tsv | 164 +++++++++++------------
 stopwords     | 350 ++++++++++++++++++++++++++++++++++++++++++++++++++
 3 files changed, 459 insertions(+), 90 deletions(-)
 create mode 100644 stopwords

diff --git a/classifier.py b/classifier.py
index 0be75eb..e766a08 100644
--- a/classifier.py
+++ b/classifier.py
@@ -1,27 +1,46 @@
 from gensim.models.doc2vec import Doc2Vec, TaggedDocument
-from nltk.cluster import KMeansClusterer
 from sklearn.cluster import KMeans
-
+from collections import Counter
+import re
 
 sentences = []
 path = 'dev-0/'
 with open(path + 'in.tsv') as f:
     sentences = [line.rstrip() for line in f]
 
-clusters_no = len(sentences)
+clusters_no = 10
+
+stopwords = []
+with open('stopwords') as f:
+    stopwords = [line.rstrip() for line in f]
+
 splited = []
 for sentence in sentences:
-    splited.append(sentence.split(' '))
-documents = [TaggedDocument(doc, [i]) for i, doc in enumerate(sentences)]
-model = Doc2Vec(documents, min_count=1)
+    for w in stopwords:
+        pattern = r'\b' + w + r'\b'
+        sentence = re.sub(pattern, '', sentence)
+    spl = sentence.split(' ')
+    spl = list(filter(lambda x: x != '', spl))
+    spl = [x.lower() for x in spl]
+    splited.append(spl)
+documents = [TaggedDocument(doc, [i]) for i, doc in enumerate(splited)]
+model = Doc2Vec(documents, min_count=0, alpha=0.025, epochs=20)
+# for epoch in range(10):
+#     print('Training epoch %s', epoch)
+#     model.train()
+#     model.alpha -= 0.002
+#     model.min_alpha = model.alpha
+
+
 X = model.dv.vectors
 
-kmeans = KMeans(n_clusters=clusters_no).fit(X)
+kmeans = KMeans(n_clusters=clusters_no, max_iter=1000).fit(X)
 labels = kmeans.labels_
 centroids = kmeans.cluster_centers_
 
-print("Cluster id labels for inputted data")
 print(labels)
+ctr = Counter(labels)
+print(ctr.values())
 with open(path + 'out.tsv', 'w') as file:
     for label in labels:
         file.write("%i\n" % label)
diff --git a/dev-0/out.tsv b/dev-0/out.tsv
index 462d969..1a4bb89 100644
--- a/dev-0/out.tsv
+++ b/dev-0/out.tsv
@@ -1,87 +1,87 @@
-44
-51
-54
-65
-33
-4
-57
-17
-39
-68
-21
-22
-29
+9
+2
+8
+5
 0
-71
-19
-40
-80
-20
-38
-72
-36
-52
-66
+2
+2
+6
+1
 5
 2
-47
-13
-10
-48
-30
-35
-69
-12
-56
-16
-14
-76
-11
-84
-61
-75
-74
-67
-73
-3
-86
-15
-27
-7
-28
-41
-60
-77
-79
-45
-55
-50
-83
-85
-31
-46
-70
-37
-1
-24
-58
-78
-53
-43
-64
-62
-63
-42
-23
-26
-25
-32
-59
-9
-82
-18
-49
 8
+0
+8
+8
+8
+8
+8
+2
+0
+8
+8
+2
+2
+2
+4
+9
+2
+7
+8
+9
+7
+2
+5
+8
+7
+2
+8
+9
+8
+7
+5
+8
+2
+7
+2
+8
+0
+1
+2
+0
+5
+7
+8
+7
+7
+7
 6
-81
-34
+2
+8
+7
+2
+2
+2
+7
+8
+7
+8
+8
+2
+8
+2
+0
+0
+9
+3
+6
+7
+2
+6
+5
+4
+5
+7
+4
+5
+9
diff --git a/stopwords b/stopwords
new file mode 100644
index 0000000..eee0b22
--- /dev/null
+++ b/stopwords
@@ -0,0 +1,350 @@
+a
+aby
+ach
+acz
+aczkolwiek
+aj
+albo
+ale
+alez
+ależ
+ani
+az
+aż
+bardziej
+bardzo
+beda
+bedzie
+bez
+deda
+będą
+bede
+będę
+będzie
+bo
+bowiem
+by
+byc
+być
+byl
+byla
+byli
+bylo
+byly
+był
+była
+było
+były
+bynajmniej
+cala
+cali
+caly
+cała
+cały
+ci
+cie
+ciebie
+cię
+co
+cokolwiek
+cos
+coś
+czasami
+czasem
+czemu
+czy
+czyli
+daleko
+dla
+dlaczego
+dlatego
+do
+dobrze
+dokad
+dokąd
+dosc
+dość
+duzo
+dużo
+dwa
+dwaj
+dwie
+dwoje
+dzis
+dzisiaj
+dziś
+gdy
+gdyby
+gdyz
+gdyż
+gdzie
+gdziekolwiek
+gdzies
+gdzieś
+go
+i
+ich
+ile
+im
+inna
+inne
+inny
+innych
+iz
+iż
+ja
+jak
+jakas
+jakaś
+jakby
+jaki
+jakichs
+jakichś
+jakie
+jakis
+jakiś
+jakiz
+jakiż
+jakkolwiek
+jako
+jakos
+jakoś
+ją
+je
+jeden
+jedna
+jednak
+jednakze
+jednakże
+jedno
+jego
+jej
+jemu
+jesli
+jest
+jestem
+jeszcze
+jeśli
+jezeli
+jeżeli
+juz
+już
+kazdy
+każdy
+kiedy
+kilka
+kims
+kimś
+kto
+ktokolwiek
+ktora
+ktore
+ktorego
+ktorej
+ktory
+ktorych
+ktorym
+ktorzy
+ktos
+ktoś
+która
+które
+którego
+której
+który
+których
+którym
+którzy
+ku
+lat
+lecz
+lub
+ma
+mają
+mało
+mam
+mi
+miedzy
+między
+mimo
+mna
+mną
+mnie
+moga
+mogą
+moi
+moim
+moj
+moja
+moje
+moze
+mozliwe
+mozna
+może
+możliwe
+można
+mój
+mu
+musi
+my
+na
+nad
+nam
+nami
+nas
+nasi
+nasz
+nasza
+nasze
+naszego
+naszych
+natomiast
+natychmiast
+nawet
+nia
+nią
+nic
+nich
+nie
+niech
+niego
+niej
+niemu
+nigdy
+nim
+nimi
+niz
+niż
+no
+o
+obok
+od
+około
+on
+ona
+one
+oni
+ono
+oraz
+oto
+owszem
+pan
+pana
+pani
+po
+pod
+podczas
+pomimo
+ponad
+poniewaz
+ponieważ
+powinien
+powinna
+powinni
+powinno
+poza
+prawie
+przeciez
+przecież
+przed
+przede
+przedtem
+przez
+przy
+roku
+rowniez
+również
+sam
+sama
+są
+sie
+się
+skad
+skąd
+soba
+sobą
+sobie
+sposob
+sposób
+swoje
+ta
+tak
+taka
+taki
+takie
+takze
+także
+tam
+te
+tego
+tej
+ten
+teraz
+też
+to
+toba
+tobą
+tobie
+totez
+toteż
+totobą
+trzeba
+tu
+tutaj
+twoi
+twoim
+twoj
+twoja
+twoje
+twój
+twym
+ty
+tych
+tylko
+tym
+u
+w
+wam
+wami
+was
+wasz
+wasza
+wasze
+we
+według
+wiele
+wielu
+więc
+więcej
+wlasnie
+właśnie
+wszyscy
+wszystkich
+wszystkie
+wszystkim
+wszystko
+wtedy
+wy
+z
+za
+zaden
+zadna
+zadne
+zadnych
+zapewne
+zawsze
+ze
+zeby
+zeznowu
+zł
+znow
+znowu
+znów
+zostal
+został
+żaden
+żadna
+żadne
+żadnych
+że
+żeby
\ No newline at end of file