搜狗文本分类语料库-中文文本分类

实现文本分类的主要包括几个步骤文本分词处理，特征选择，特征权重计算，文本特征向量表示，基于训练文本的特征向量数据训练SVM模型，对于测试集进行特征向量表示代入训练得到的svm模型中进行预测分类，达到93%的准确率

__author__ = ‘ShadowWalker‘
import codecs
import math
import sys
# 使用开方检验选择特征
# 按UTF-8编码格式读取文件

# 定义停止词
def ignore（s）:
    return s == ‘nbsp‘ or s == ‘ ‘ or s == ‘ ‘ or s == ‘/t‘ or s == ‘/n‘ \
           or s == ‘，‘ or s == ‘。‘ or s == ‘！‘ or s == ‘、‘ or s == ‘―‘\
           or s == ‘？‘  or s == ‘＠‘ or s == ‘：‘ \
           or s == ‘＃‘ or s == ‘%‘  or s == ‘＆‘ \
           or s == ‘（‘ or s == ‘）‘ or s == ‘《‘ or s == ‘》‘ \
           or s == ‘［‘ or s == ‘］‘ or s == ‘｛‘ or s == ‘｝‘ \
           or s == ‘*‘ or s == ‘‘ or s == ‘.‘  or s == ‘&‘ \
           or s == ‘!‘ or s == ‘?‘ or s == ‘:‘ or s == ‘;‘\
           or s == ‘-‘ or s == ‘&‘\
           or s == ‘<‘ or s == ‘>‘ or s == ‘（‘ or s == ‘）‘ \
           or s == ‘[‘ or s == ‘]‘ or s == ‘{‘ or s == ‘}‘ or s == ‘nbsp10‘ or s == ‘3.6‘ or s==‘about‘ or s ==‘there‘ \
           or s == “see“ or s == “can“ or s == “U“ or s == “L“ or s == “ “ or s == “in“ or s ==“;“ or s ==“a“ or s ==“0144“\
           or s == “\n“ or s == “our“

# print（stopwords）

# 对卡方检验所需的 a b c d 进行计算
# a：在这个分类下包含这个词的文档数量
# b：不在该分类下包含这个词的文档数量
# c：在这个分类下不包含这个词的文档数量
# d：不在该分类下，且不包含这个词的文档数量

#
ClassCode = [‘C000007‘ ‘C000008‘ ‘C000010‘ ‘C000013‘ ‘C000014‘ ‘C000016‘ ‘C000020‘ ‘C000022‘ ‘C000023‘ ‘C000024‘]

# 构建每个类别的词Set

# 分词后的文件路径
# textCutbasePath = “G:\\ChineseTextClassify\\SogouCCut\\“
textCutbasePath = sys.path[0] + “\\SogouCCut\\“
# 构建每个类别的词向量
def buildItemSets（classDocCount）:
    termDic = dict（）
    # 每个类别下的文档集合用list表示 每个set表示一个文档，整体用一个dict表示
    termClassDic = dict（）
    for eachclass in ClassCode:
        currClassPath = textCutbasePath+eachclass+“\\“
        eachClassWordSets = set（）
        eachClassWordList = list（）
        for i in range（classDocCount）:
            eachDocPath = currClassPath+str（i）+“.cut“
            eachFileObj = open（eachDocPath ‘r‘）
            eachFileContent = eachFileObj.read（）
            eachFileWords = eachFileContent.split（“ “）
            eachFileSet = set（）
            for eachword in eachFileWords:
                # 判断是否是停止词
                stripeachword = eachword.strip（“ “）
                if not ignore（eachword） and len（stripeachword） > 0:
                    eachFileSet.add（eachword）
                    eachClassWordSets.add（eachword）
            eachClassWordList.append（eachFileSet）
            # print（eachFileSet）
        termDic[eachclass] = eachClassWordSets
        termClassDic[eachclass] = eachClassWordList
    return termDic termClassDic



# 对得到的两个词典进行计算，可以得到a b c d 值
# K 为每个类别选取的特征个数

# 卡方计算公式
def ChiCalc（a b c d）:
    result = float（pow（（a*d - b*c） 2）） /float（（a+c） * （a+b） * （b+d） * （c+d））
    return result

def featureSelection（termDic termClassDic K）:
    termCountDic = dict（）
    for key in termDic:
        classWordSets = termDic[key]
        classTermCountDic = dict（）
        for eachword in classWordSets:  # 对某个类别下的每一个单词的 a b c d 进行计算
            a = 0
            b = 0
            c = 0
            d = 0
            for eachclass in termClassD

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2016-07-31 08:48  ChineseTextClassify-master\
     目录           0  2016-07-31 08:48  ChineseTextClassify-master\.idea\
     文件          19  2016-07-31 08:48  ChineseTextClassify-master\.idea\.name
     文件         284  2016-07-31 08:48  ChineseTextClassify-master\.idea\ChineseTextClassify.iml
     文件         164  2016-07-31 08:48  ChineseTextClassify-master\.idea\encodings.xml
     文件         215  2016-07-31 08:48  ChineseTextClassify-master\.idea\misc.xml
     文件         290  2016-07-31 08:48  ChineseTextClassify-master\.idea\modules.xml
     目录           0  2016-07-31 08:48  ChineseTextClassify-master\.idea\scopes\
     文件         139  2016-07-31 08:48  ChineseTextClassify-master\.idea\scopes\scope_settings.xml
     文件         164  2016-07-31 08:48  ChineseTextClassify-master\.idea\vcs.xml
     文件       34607  2016-07-31 08:48  ChineseTextClassify-master\.idea\workspace.xml
     目录           0  2016-07-31 08:48  ChineseTextClassify-master\ChineseSegmentation\
     文件        1178  2016-07-31 08:48  ChineseTextClassify-master\ChineseSegmentation\ChineseCut.py
     目录           0  2016-07-31 08:48  ChineseTextClassify-master\ChineseSegmentation\PKU_GB\
     文件      341175  2016-07-31 08:48  ChineseTextClassify-master\ChineseSegmentation\PKU_GB\pku_test.txt
     文件      549918  2016-07-31 08:48  ChineseTextClassify-master\ChineseSegmentation\PKU_GB\pku_test_gold.txt
     文件      443710  2016-07-31 08:48  ChineseTextClassify-master\ChineseSegmentation\PKU_GB\pku_test_result.txt
     文件     5887805  2016-07-31 08:48  ChineseTextClassify-master\ChineseSegmentation\PKU_GB\pku_training.txt
     文件      347101  2016-07-31 08:48  ChineseTextClassify-master\ChineseSegmentation\PKU_GB\pku_training_words.txt
     文件     2196634  2016-07-31 08:48  ChineseTextClassify-master\ChineseSegmentation\PKU_GB\score.txt
     目录           0  2016-07-31 08:48  ChineseTextClassify-master\ChineseSegmentation\PKU_GB\scripts\
     文件        3543  2016-07-31 08:48  ChineseTextClassify-master\ChineseSegmentation\PKU_GB\scripts\mwseg.pl
     文件        7225  2016-07-31 08:48  ChineseTextClassify-master\ChineseSegmentation\PKU_GB\scripts\score
     文件        6926  2016-07-31 08:48  ChineseTextClassify-master\ChineseSegmentation\PreHMM.py
     文件        6098  2016-07-31 08:48  ChineseTextClassify-master\ChineseSegmentation\Viterbi.py
     文件      277953  2016-07-31 08:48  ChineseTextClassify-master\ChineseSegmentation\emit.txt
     文件         303  2016-07-31 08:48  ChineseTextClassify-master\ChineseSegmentation\tran.txt
     文件       14092  2016-07-31 08:48  ChineseTextClassify-master\ChineseSegmentation\worddict.txt
     文件        5522  2016-07-31 08:48  ChineseTextClassify-master\FeatureSelecion.py
     文件        3518  2016-07-31 08:48  ChineseTextClassify-master\FeatureWeight.py
     目录           0  2016-07-31 08:48  ChineseTextClassify-master\LIBSVM\
............此处省略6047个文件信息