资源简介
python编程语言 预处理 统计词频 计算IT-IDF
代码片段和文件信息
# coding=utf-8 #注意此句注释要放在第一句,可进行中文注释
from __future__ import division # 保证得到正常除法计算的结果
import os
import math
import nltk
import codecs # 保证可以用指定的编码格式打开文件
from nltk.corpus import stopwords
import sys
reload(sys)
sys.setdefaultencoding(‘utf-8‘)
doc_num = 0 # 统计文档总数
dictionary = [] # 词典,即文件中的单词列表
word_idf_dict = {} # 字典,存放词典中每个单词的idf值
num_doc_word = {} # 字典,存放每篇论文的单词总数
def processing(str):
“对给定的文本进行预处理返回值是一个列表,存储预处理之后的单词“
str_lower = str.lower() # 将文本小写化
sens = nltk.sent_tokenize(str_lower) # 将小写化的文本进行句子分词
words = []
# 对每个句子进行分词
for sen in sens:
words.extend(nltk.word_tokenize(sen)) # 注意区分append VS extend
stopword = stopwords.words(‘english‘) # 去除停顿词
punctuation = [‘‘ ‘.‘ ‘:‘ ‘;‘ ‘(‘ ‘)‘ ‘[‘ ‘]‘ ‘&‘ ‘#‘ ‘!‘ ‘?‘ ‘@‘ ‘$‘ ‘%‘] # 去除标点符号
stemming = nltk.stem.SnowballStemmer(‘english‘) # 提取词干
new_words = []
for word in words:
if (word.isalpha()) and (word not in stopword) and (word not in punctuation): # 去除乱码,即非字母的单词
new_words.append(stemming.stem(word)) # append VS extend
return new_words
def compute_tf(wordlist):
“统计给定单词列表的词频,返回值是一个词典,key为单词,value为该单词对应的词频“
temp_dict = {}
for word in wordlist:
if word in temp_dict:
temp_dict[word] += 1
else:
temp_dict[word] = 1
return temp_dict
def compute_idf(word_in_file):
“统计单词的逆向文档频率,参数的数据类型为dict{file_name:dict{word:word_tf}}}“
for word in dictionary:
word_in_doc = 0 # 统计出现过该单词的文档数目
for index in word_in_file:
if word in word_in_file[index].keys():
word_in_doc += 1
word_in_doc = math.log10(doc_num / word_in_doc) # 计算单词的idf值
word_idf_dict[word] = word_in_doc # 得到全局变量word_idf_dict
# 此处没有将word_idf_dict作为返回值返回,而是将其定义为全局变量,便于其他函数使用
def compute_tfidf(word_in_file):
“计算单词的tf-idf值,参数的数据类型为dict{file_name:dict{word:word_tf}}“
word_tfidf = {} # 存放单词的tf-idf值,数据类型为dict{file_name:dict{word:word_tfidf}}
for index in word_in_file:
word_tfidf[index] = {} # 存放指定文档下的dict{word:word_tfidf}
temp_len = num_doc_word[index] # 使用全局变量num_doc_word,计算指定文档下的单词总数
for word in word_in_file[index].keys():
word_tfidf[index][word]
- 上一篇:python爬虫爬取58租房信息
- 下一篇:Python-opencv-植物叶片识别
相关资源
- python实现SGBM图像匹配算法
- python实现灰度直方图均衡化
- scrapy_qunar_one
- Python学习全系列教程永久可用
- python简明教程.chm
- 抽奖大转盘python的图形化界面
- 双边滤波器实验报告及代码python
- python +MYSQL+HTML实现21蛋糕网上商城
- Python-直播答题助手自动检测出题搜索
- OpenCV入门教程+OpenCV官方教程中文版
- Python 串口工具源码+.exe文件
- Python开发的全栈股票系统.zip
- Python操作Excel表格并将其中部分数据写
- python书籍 PDF
- 利用python绘制散点图
- python+labview+No1.vi
- 老男孩python项目实战
- python源码制作whl文件.rar
- python3.5可用的scipy
- PYTHON3 经典50案例.pptx
- 计算机科学导论-python.pdf
- python模拟鼠标点击屏幕
- windows鼠标自动点击py脚本
- 鱼c小甲鱼零基础学python全套课后题和
- Python 练习题100道
- Practical Programming 2nd Edition
- wxPython Application Development Cookbook
- python 3.6
- Python 3.5.2 中文文档 互联网唯一CHM版本
- python3.5.2.chm官方文档
评论
共有 条评论