在 MALLET 中更改主题分布文件中的列顺序

Question

MALLET 在训练主题模型时使用 --output-doc-topics 参数生成一个制表符分隔的文件，其中包含每个文档的主题分布。它看起来像这样：

doc#    filename    topic#    weight
0    file:/.../document_01.txt    3     0.2110215053763441    14    0.1330645161    ...

但是，我需要对这个文件进行不同的排序以便进一步处理。现在，列按主题权重降序排列（0.211...、0.133...等）。但是是否也可以按照主题编号（0,1,2,...）及其对应的权重进行升序排序？

最初，我认为排序可以用 Excel 完成，但文件太大（> 20 GB）。

可能有 MALLET 参数吗？我已经查看了 --help 部分，但没有找到任何相关内容。

否则，您能否推荐一个工具或API，能够进行这种排序？

谢谢！

Answer 1

如果你得到最新版本（2.0.8），默认显示所有主题按主题id排序：

--doc-topics-max INTEGER
  When writing topic proportions per document with --output-doc-topics, do not print more than INTEGER number of topics.  A negative value indicates that all topics should be printed.
  Default is -1

在 MALLET 中更改主题分布文件中的列顺序

Change order of columns in topic distribution file in MALLET

java

sorting

lda

topic-modeling

mallet