码迷,mamicode.com
首页 > 其他好文 > 详细

机器学习入门-提取文章的主题词 1.jieba.analyse.extract_tags(提取主题词)

时间:2019-01-19 00:45:32      阅读:3414      评论:0      收藏:0      [点我收藏+]

标签:nts   jieba分词   机器学习   cut   end   nbsp   语料库   文本   主题   

1.jieba.analyse.extract_tags(text)  text必须是一连串的字符串才可以

第一步:进行语料库的读取

第二步:进行分词操作

第三步:载入停用词,同时对分词后的语料库进行停用词的去除

第四步:选取一段文本分词列表,串接成字符串,使用jieba.analyse.extract_tags提取主题词

import pandas as pd
import numpy as np
import jieba

# 1.导入数据语料的新闻数据
df_data = pd.read_table(data/val.txt, names=[category, theme, URL, content], encoding=utf-8)

# 2.对语料库进行分词操作
df_contents = df_data.content.values.tolist()

# list of list 结构
Jie_content = []
for df_content in df_contents:
    split_content = jieba.lcut(df_content)
    if len(split_content) > 1 and split_content != \t\n:
        Jie_content.append(split_content)

# 3. 导入停止词的语料库, sep=‘\t‘表示分隔符, quoting控制引号的常量, names=列名, index_col=False,不用第一列做为行的列名, encoding
stopwords = pd.read_csv(stopwords.txt, sep=\t, quoting=3, names=[stopwords], index_col=False, encoding=utf-8)
print(stopwords.head())

# 对文本进行停止词的去除
def drop_stops(Jie_content, stopwords):
    clean_content = []
    all_words = []
    for j_content in Jie_content:
        line_clean = []
        for line in j_content:
            if line in stopwords:
                continue
            line_clean.append(line)
            all_words.append(line)
        clean_content.append(line_clean)

    return clean_content, all_words
# 将DateFrame的stopwords数据转换为list形式
stopwords = stopwords.stopwords.values.tolist()
clean_content, all_words = drop_stops(Jie_content, stopwords)
print(clean_content[0])

#4.  使用jieba分词器,提取文本的关键字
import jieba.analyse
index = 2000
content_word = ‘‘.join(clean_content[index])


content_text =  .join(jieba.analyse.extract_tags(content_word, topK=5, withWeight=False))
print(content_word)
print(content_text)

 

机器学习入门-提取文章的主题词 1.jieba.analyse.extract_tags(提取主题词)

标签:nts   jieba分词   机器学习   cut   end   nbsp   语料库   文本   主题   

原文地址:https://www.cnblogs.com/my-love-is-python/p/10290264.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!