文本相似性算法（二）-分组及分句热度统计

标签：string   搜索   main   不能   model   干货   reverse   关注   res   

软件老王在上一节介绍到相似性热度统计的4个需求，本次介绍分组及分组分句热度统计（需求1和需求2）。

2. 解决方案

分组热度统计首先根据某列进行分组，然后再对这些句进行热度统计，主要是分组处理，分句仅仅是按照标点符号做了下拆分，在代码说明中可以替换下就可以了。

2.1 完整代码

完整代码，有需要的朋友可以直接拿走，不想看代码介绍的，可以直接拿走执行就行。

import jieba.posseg as pseg
import jieba.analyse
import xlwt  # 写入Excel表的库
import pandas as pd
from gensim import corpora, models, similarities
import re
#停词函数
def StopWordsList(filepath):
    wlst = [w.strip() for w in open(filepath, ‘r‘, encoding=‘utf8‘).readlines()]
    return wlst
def str_to_hex(s):
    return ‘‘.join([hex(ord(c)).replace(‘0x‘, ‘‘) for c in s])
# jieba分词
def seg_sentence(sentence, stop_words):
    stop_flag = [‘x‘, ‘c‘, ‘u‘, ‘d‘, ‘p‘, ‘t‘, ‘uj‘, ‘f‘, ‘r‘]
    sentence_seged = pseg.cut(sentence)
    outstr = []
    for word, flag in sentence_seged:
        if word not in stop_words and flag not in stop_flag:
            outstr.append(word)
    return outstr
if __name__ == ‘__main__‘:
    # 1 这些是jieba分词的自定义词典，软件老王这里添加的格式行业术语，格式就是文档，一列一个词一行就行了，
    # 这个几个词典软件老王就不上传了，可注释掉。
    jieba.load_userdict("g1.txt")
    jieba.load_userdict("g2.txt")
    jieba.load_userdict("g3.txt")

    # 2 停用词，简单理解就是这次词不分割，这个软件老王找的网上通用的。
    spPath = ‘stop.txt‘
    stop_words = StopWordsList(spPath)

    # 3 excel处理
    wbk = xlwt.Workbook(encoding=‘ascii‘)
    sheet = wbk.add_sheet("软件老王sheet")  # sheet名称
    sheet.write(0, 0, ‘软件老王1-类别‘)
    sheet.write(0, 1, ‘软件老王2-原因‘)
    sheet.write(0, 2, ‘软件老王3-统计数量‘)
    sheet.write(0, 3, ‘导航-链接到明细sheet表‘)

    inputfile = ‘软件老王-source2.xlsx‘
    data = pd.read_excel(inputfile)  # 读取数据
    grp1 = data.groupby(‘类别‘)
    rcount = 1
    for name, group in grp1:
        print(grp1)
        texts = []
        orig_txt = []
        key_list = []
        name_list = []
        sheet_list = []
        name = name.replace(‘\n‘, ‘‘).replace(‘/‘, ‘‘)
        for i in range(len(group)):
            row = group.iloc[i].values
            cell = row[1]
            if cell is None:
                continue
            if not isinstance(cell, str):
                continue
            item = cell.strip(‘\n\r‘).split(‘\t‘)
            string = item[0]
            if string is None or len(string) == 0:
                continue
            else:
                textstr = seg_sentence(string, stop_words)
                texts.append(textstr)
                orig_txt.append(string)
        # 4 相似性处理
        dictionary = corpora.Dictionary(texts)
        feature_cnt = len(dictionary.token2id.keys())
        corpus = [dictionary.doc2bow(text) for text in texts]
        tfidf = models.LsiModel(corpus)
        index = similarities.SparseMatrixSimilarity(tfidf[corpus], num_features=feature_cnt)
        result_lt = []
        word_dict = {}
        count =0
        for keyword in orig_txt:
            count = count+1
            print(‘开始执行，第‘+ str(count)+‘行‘)
            if keyword in result_lt or keyword is None or len(keyword) == 0:
                continue
            kw_vector = dictionary.doc2bow(seg_sentence(keyword, stop_words))
            sim = index[tfidf[kw_vector]]
            result_list = []
            for i in range(len(sim)):
                if sim[i] > 0.5:
                    if orig_txt[i] in result_lt and orig_txt[i] not in result_list:
                        continue
                    result_list.append(orig_txt[i])
                    result_lt.append(orig_txt[i])
            if len(result_list) >0:
                word_dict[keyword] = len(result_list)
            if len(result_list) >= 1:
                name = name.strip(‘\n\r‘).replace(‘\n‘, ‘‘).replace(‘/‘, ‘‘).replace(‘，‘, ‘‘).replace(‘。‘, ‘‘).replace(
                    ‘*‘, ‘‘)
                name = re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])", "", name)
                sname = name[0:10] + ‘_‘ + re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])", "", keyword[0:10])+ ‘_‘                        + str(len(result_list)+ len(str_to_hex(keyword))) + str_to_hex(keyword)[-5:]
                sheet_t = wbk.add_sheet(sname)  # Excel单元格名字
                for i in range(len(result_list)):
                    sheet_t.write(i, 0, label=result_list[i])
        # 5 按照热度排序 -软件老王
        with open("rjlw.txt", ‘w‘, encoding=‘utf-8‘) as wf2:  # 打开文件
            orderList = list(word_dict.values())
            orderList.sort(reverse=True)
            count = len(orderList)
            for i in range(count):
                for key in word_dict:
                    if word_dict[key] == orderList[i]:
                        key_list.append(key)
                        name_list.append(name)
                        word_dict[key] = 0
            wf2.truncate()
        # 6 写入目标excel
        for i in range(len(key_list)):
            sheet.write(i+rcount, 0, label=name_list[i])
            sheet.write(i+rcount, 1, label=key_list[i])
            sheet.write(i+rcount, 2, label=orderList[i])
            if orderList[i] >= 1:
                shname = name_list[i][0:10] + ‘_‘ + re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])", "", key_list[i][0:10])                          + ‘_‘+ str(orderList[i]+ len(str_to_hex(key_list[i])))+ str_to_hex(key_list[i])[-5:]
                link = ‘HYPERLINK("#%s!A1";"%s")‘ % (shname, shname)
                sheet.write(i+rcount, 3, xlwt.Formula(link))
        rcount = rcount + len(key_list)
        key_list = []
        name_list = []
        orderList = []
        texts = []
        orig_txt = []
        sheet_list =[]
    wbk.save(‘软件老王-target2.xls‘)  

2.2 代码说明

以上的代码中有很明确的注释就不再一一介绍了，重点说几个。

（1）分组处理跟文本相似性热度统计算法实现（一）-整句热度统计相似，不同的是首先按照某一列做了分组处理，然后进行相似性统计，相似性这块一样，其实不同的主要是excel处理这块的内容。

如果你觉得文章对你有些帮助，欢迎微信搜索「软件老王」第一时间阅读或交流！

（2）excle分组用的是pandas包，python中excel数据分组处理。

（3）关于需求2，分组分句，代码如下：

 for i in range(len(group)):
            row = group.iloc[i].values 
            cell = row[1]
            if cell is None:
                continue
            if not isinstance(cell, str):
                continue
            item = cell.strip(‘\n\r‘).split(‘\t‘) 
            string = item[0]
            #软件老王，这里按照标点符号对原因进行拆分，然后再进行处理。
            lt = re.split(‘，|。|！|？‘, string)
            for t in lt:
                if t is None or t.strip() == ‘‘ or len(t.strip()) == 0:
                    continue
                else:
                    textstr = seg_sentence(t, stop_words)
                    texts.append(textstr)
                    orig_txt.append(t)

2.3 效果图

（1）软件老王-source2.xlsx

（2）软件老王-target2.xls

（3）简单说明

从数据中可以看出来，例如：声音太大，分属三类，首先分类，然后再比对相似性。

欢迎关注公众号「软件老王」，IT技术与相关干货分享，回复关键字获取对应干货，java，送必看的10本“武功秘籍”；图片，送100多万张可商用高清图片；面试，送月薪“20k”的java面试题等。

文本相似性算法（二）-分组及分句热度统计

标签：string   搜索   main   不能   model   干货   reverse   关注   res   

原文地址：https://blog.51cto.com/14130291/2534782