Python3文本聚类如何进行分类操作?

653次阅读
没有评论
Python3文本聚类如何进行分类操作?

当我们想要给表格中的内容进行分类,一般人想到的是excel中的做法。那还有没有什么特别好的解决办法呢?小编觉得python中的文本聚类文本聚类不错,分类的速度比较快,而且不会以出现分类混乱的问题。小编整理了有关文本聚类用来分类的代码,分享给小伙伴们一起尝试一下。

主要有一下几个步骤:

切词

去除停用词

构建词袋空间VSM(vector space model)

TF-IDF构建词权重,这部我没有做,因为我的数据基本都是一类的,只是想细分,所以感觉不太适合,而且这个也有点难(捂脸)

使用K-means算法

下面开始代码部分:

 #引入基础库,在网上抄的代码,除了1、2、6,其他的可能用不到
 import numpy as np
 import pandas as pd
 import re
 import os
 import codecs
 import jieba
 #打开文件,文件在桌面上,可以自行修改路径
 f1=open("C:/Users/KangB/Desktop/wechat7/title.txt","r",encoding='GB2312',errors='ignore')
 f2=open("C:/Users/KangB/Desktop/wechat7/title_fenci.txt",'w',encoding='GB2312',errors='ignore')
 for line in f1:
 seg_list = jieba.cut(line, cut_all=False)
 f2.write((" ".join(seg_list)).replace("ttt","t"))
 #print(w)
 f1.close()
 f2.close()
 #取需要分词的内容
 titles=open("C:/Users/KangB/Desktop/wechat7/title_fenci.txt",encoding='GB2312',errors='ignore').read().split('n')
 #查看内容,这里是一个list,list里面每个原素是分好的标题,查看下长度看有没有错误
 #titles
 #len(titles)
 #构建停词函数,停词表是自己在网上搜的
 def get_custom_stopwords(stop_words_file):
 with open(stop_words_file,encoding='utf-8')as f:
 stopwords=f.read()
 stopwords_list=stopwords.split('n')
 custom_stopwords_list=[i for i in stopwords_list]
 return custom_stopwords_list
 #停用词函数调用
 stop_words_file="C:/Users/KangB/Desktop/wechat7/stopwords.txt"
 stopwords=get_custom_stopwords(stop_words_file)
 #查看停用词,也是list格式
 #stopwords
 #构建词向量,也就是把分好的次去除停词转化成kmeans可以接受的形式
 from sklearn.feature_extraction.text import CountVectorizer
 count_vec=CountVectorizer(stop_words=stopwords)
 km_matrix= count_vec.fit_transform(titles)
 print(km_matrix.shape)
 #查看词向量
 #print(km_matrix.toarray())
 #开始聚类啦
 from sklearn.cluster import KMeans
 num_clusters = 4 #聚为四类,可根据需要修改
 km = KMeans(n_clusters=num_clusters)
 km.fit(km_matrix)
 clusters = km.labels_.tolist()
 #查看聚类的结果,是list,这里省略,看看长度是不是和title一样就行啦
 #len(clusters)
 #最后把聚类结果写在一个新的txt里面
 f3 =open("C:/Users/KangB/Desktop/wechat7/title_clusters.txt", 'w',encoding='GB2312',errors='ignore')
 for i in clusters:
 f3.write(str(i))
 f3.write("n")
 f3.close()

最后把原始数据title和聚类结果title_clusters在一个excel里面不同列打开就可以啦。

不知道有没有小伙伴们试了文本聚类的分类方法,是不是跟小编说的一样好用呢?小编相信试过的小伙伴,肯定下次还会使用这种分类方法的。

神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试

相关文章:

版权声明:wuyou2021-05-28发表,共计2058字。
新手QQ群:570568346,欢迎进群讨论 Python51学习