tf-idf

tf-idf:词频-逆向文档频率


TF_{w,D_{i} }=\frac{count(w)}{|D_{i} |}

{IDF}_w=log\frac{N}{\sum\nolimits_{i=1}^NI(w,{D}_i) },I(w,{D}_i)表示文档是否包含w词


```

#coding=utf-8

import os

import jieba

from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer

import numpy as np

def splitChapter():

   """

   只拆分第一本书的73章作为数据,编码utf-8

   :return:

   """

   with open("./冰与火之歌_乔治·马丁utf8.txt",encoding="utf-8") as f:

      lines=f.readlines()

   length = len(lines)

   title = None

   f = open("标题作者.txt", "w", encoding="utf-8")

   n = 0

   for i in range(length):

      if lines[i][0]=="第":

         n+=1

         title = lines[i].strip()

         f.close()

         f = open(str(n)+title+".txt", "w", encoding="utf-8")

         f.write(lines[i])

      else:

         f.write(lines[i])

def wordslist():

   """

   分词

   :return:

   """

   # wordList = []

   stop_word = [line.rstrip() for line in open("./stopwords.txt", encoding="utf-8")]

   jieba.add_word(u"丹妮莉丝")

   jieba.add_word(u"提利昂")

   # fr = open("测试.txt", "a", encoding="utf-8")

   for file in os.listdir("./data")[1:-2]:

      with open("./data/"+file, "r", encoding="utf-8") as f:

         content = f.read().strip().replace("\n", "").replace(" ", "").replace("\t", "").replace("\r", "")

      seg_list = jieba.cut(content, cut_all=True)

      seg_list_after = []

      # 去停用词

      for seg in seg_list:

         if seg not in stop_word:

            seg_list_after.append(seg)

      result = " ".join(seg_list_after)

      # wordList.append(result)

      yield result

      # fr.write(result+"\n")

   # fr.close()

def titlelist():

   for file in os.listdir("./data")[1:-2]:

      yield file

if __name__ == '__main__':

   wordslist = list(wordslist())

   titlelist = list(titlelist())

   # 计算每个text中的词频

   vectorizer = CountVectorizer()

   x = vectorizer.fit_transform(wordslist)

   # print(vectorizer.get_feature_names())

   # print(x.toarray())

   # 计算tf-idf

   transformer = TfidfTransformer()

   tfidf = transformer.fit_transform(x)

   # 所有文本中的关键词

   words = vectorizer.get_feature_names()

   # 所有文本中词的权重

   weights = tfidf.toarray()

   n = 5

   for (title, w) in zip(titlelist, weights):

      print(u"{}:".format(title))

      loc = np.argsort(-w) # 排序 倒排!!!

      for i in range(n):

         print(u"-{}:{} {}".format(str(i+1), words[loc[i]], w[loc[i]]))

      print("\n")

```

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,837评论 6 496
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,551评论 3 389
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 160,417评论 0 350
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,448评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,524评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,554评论 1 293
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,569评论 3 414
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,316评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,766评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,077评论 2 330
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,240评论 1 343
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,912评论 5 338
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,560评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,176评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,425评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,114评论 2 366
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,114评论 2 352