python实现TF-IDF算法解析

Python  /  管理员 发布于 7年前   233

TF-IDF（term frequencyCinverse document frequency）是一种用于信息检索与数据挖掘的常用加权技术。

同样，理论我这里不再赘述，因为和阮一峰大神早在2013年就将TF-IDF用一种非常通俗的方式讲解出来

TF-IDF与余弦相似性的应用（一）：自动提取关键词

材料

1.语料库（已分好词）
2.停用词表（哈工大停用词表）
3.python3.5

语料库的准备

这里使用的语料库是《人民日报》2015年1月16日至1月18日的发表的新闻。并且在进行TFIDF处理之前已经进行了人工分词（当然也可以使用jieba分词，但效果不好）

三天的新闻篇章数量如下：

 

语料库中共103篇新闻。每篇新闻存入在txt文件中，编码为UTF-8无BOM

这里放一篇文章示例下：

我在自己的项目路径下新建一个corpus的文件夹，用于存放已经分好词待计算的语料。corpus文件夹的架构如下：

2015年1月16日至1月18日共三天，每天可获取的新闻分了四版，因此针对每一天下的每一版我又分别建了编号为1、2、3、4的文件夹，用于存放每一版的新闻。

其实也没必要这么麻烦，可以直接把所有的新闻都放到一个文件夹下，只是我个人的文件管理习惯。当然放到数据库里面更好。

关于停用词表

较好用的停用词表有哈工大停用词表、百度停用词表、川大停用词表，网上一查一大堆。我这里选择的是哈工大停用词表。

代码实现

# -*- coding: utf-8 -*-# @Date   : 2017-04-11 09:31:55# @Author  : Alan Lau ([email protected])# @Language : Python3.5import osimport codecsimport mathimport operatordef fun(filepath): # 遍历文件夹中的所有文件，返回文件list  arr = []  for root, dirs, files in os.walk(filepath):    for fn in files:      arr.append(root+"\\"+fn)  return arrdef wry(txt, path): # 写入txt文件  f = codecs.open(path, 'a', 'utf8')  f.write(txt)  f.close()  return pathdef read(path): # 读取txt文件，并返回list  f = open(path, encoding="utf8")  data = []  for line in f.readlines():    data.append(line)  return datadef toword(txtlis): # 将一片文章按照‘/'切割成词表，返回list  wordlist = []  alltxt = ''  for i in txtlis:    alltxt = alltxt+str(i)  ridenter = alltxt.replace('\n', '')  wordlist = ridenter.split('/')  return wordlistdef getstopword(path): # 获取停用词表  swlis = []  for i in read(path):    outsw = str(i).replace('\n', '')    swlis.append(outsw)  return swlisdef getridofsw(lis, swlist): # 去除文章中的停用词  afterswlis = []  for i in lis:    if str(i) in swlist:      continue    else:      afterswlis.append(str(i))  return afterswlisdef freqword(wordlis): # 统计词频，并返回字典  freword = {}  for i in wordlis:    if str(i) in freword:      count = freword[str(i)]      freword[str(i)] = count+1    else:      freword[str(i)] = 1  return freworddef corpus(filelist, swlist): # 建立语料库  alllist = []  for i in filelist:    afterswlis = getridofsw(toword(read(str(i))), swlist)    alllist.append(afterswlis)  return alllistdef wordinfilecount(word, corpuslist): # 查出包含该词的文档数  count = 0 # 计数器  for i in corpuslist:    for j in i:      if word in set(j): # 只要文档出现该词，这计数器加1，所以这里用集合        count = count+1      else:        continue  return countdef tf_idf(wordlis, filelist, corpuslist): # 计算TF-IDF,并返回字典  outdic = {}  tf = 0  idf = 0  dic = freqword(wordlis)  outlis = []  for i in set(wordlis):    tf = dic[str(i)]/len(wordlis) # 计算TF：某个词在文章中出现的次数/文章总词数    # 计算IDF：log(语料库的文档总数/(包含该词的文档数+1))    idf = math.log(len(filelist)/(wordinfilecount(str(i), corpuslist)+1))    tfidf = tf*idf # 计算TF-IDF    outdic[str(i)] = tfidf  orderdic = sorted(outdic.items(), key=operator.itemgetter(    1), reverse=True) # 给字典排序  return orderdicdef befwry(lis): # 写入预处理，将list转为string  outall = ''  for i in lis:    ech = str(i).replace("('", '').replace("',", '\t').replace(')', '')    outall = outall+'\t'+ech+'\n'  return outalldef main():  swpath = r'D:\Alan\myBlog\20170411《人民日报》TFIDF\code\哈工大停用词表.txt'#停用词表路径  swlist = getstopword(swpath) # 获取停用词表列表  filepath = r'D:\Alan\myBlog\20170411《人民日报》TFIDF\corpus'  filelist = fun(filepath) # 获取文件列表  wrypath = r'D:\Alan\myBlog\20170411《人民日报》TFIDF\result\TFIDF.txt'  corpuslist = corpus(filelist, swlist) # 建立语料库  outall = ''  for i in filelist:    afterswlis = getridofsw(toword(read(str(i))), swlist) # 获取每一篇已经去除停用的词表    tfidfdic = tf_idf(afterswlis, filelist, corpuslist) # 计算TF-IDF    titleary = str(i).split('\\')    title = str(titleary[-1]).replace('utf8.txt', '')    echout = title+'\n'+befwry(tfidfdic)    print(title+' is ok!')    outall = outall+echout  print(wry(outall, wrypath)+' is ok!')if __name__ == '__main__':  main()

运行效果：

最终结果

这里放两篇新闻的TFIDF

可以看到，第一篇新闻的关键词可以认为为：核工业、发展、安全

第二篇新闻：习近平总书记、廉政、党风

关于\u3000\u3000这个问题实在不知道怎么替换掉，各种方法使用过了，不知哪位大神看到恳请指点下。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。