基于TF-IDF的文本关键词抽取方法

牧云@^-^@ 提交于 2020-02-11 01:52:53

基于TF-IDF的文本关键词抽取方法

# * coding:utf-8_*_
# 作者     :XiangLin
# 创建时间 :06/01/2020 15:10
# 文件     :基于TF-IDF的文本关键词抽取方法.py
# IDE      :PyCharm
# 采用TF-IDF方法提取文本关键词
# http://scikit-learn.org/stable/modules/feature_extraction.html#tfidf-term-weighting
import sys,codecs
import pandas as pd
import numpy as np
import jieba.posseg
import jieba.analyse
from sklearn import feature_extraction
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.feature_extraction.text import CountVectorizer
"""
       TF-IDF权重:
           1、CountVectorizer 构建词频矩阵
           2、TfidfTransformer 构建tfidf权值计算
           3、文本的关键字
           4、对应的tfidf矩阵
"""
# 数据预处理操作:分词,去停用词,词性筛选
def dataPrepos(text,stopkey):
    l = []
    pos = ['n','nz','v', 'vd', 'vn', 'l', 'a', 'd']  # 定义选取的词性
    seg = jieba.posseg.cut(text) #分词
    for i in seg:
        if i.word not in stopkey and i.flag in pos:# 去停用词 + 词性筛选
            l.append(i.word)
    return l
# tf-idf获取文本top10关键词
def getKeywords_tfidf(data,stopkey,topk):
    idList,titleList,abstractList = data['id'],data['title'],data['abstract']
    corpus = []# 将所有文档输出到一个list中,一行就是一个文档
    for index in range(len(idList)):
        text = '%s。%s' % (titleList[index],abstractList[index]) # 拼接标题和摘要
        text = dataPrepos(text,stopkey) # 文本预处理
        text = " ".join(text)  # 连接成字符串,空格分隔
        corpus.append(text)

    # 1、构建词频矩阵,将文本中的词语转换成词频矩阵
    vectorizer = CountVectorizer()
    X = vectorizer.fit_transform(corpus) # 词频矩阵,a[i][j]:表示j词在第i个文本中的词频
    # 2、统计每个词的tf-idf权值
    transformer = TfidfTransformer()
    tfidf = transformer.fit_transform(X)
    # 3、获取词袋模型中的关键词
    word = vectorizer.get_feature_names()
    # 4、获取tf-idf矩阵,a[i][j]表示j词在i篇文本中的tf-idf权重
    weight = tfidf.toarray()
    # 5、打印词语权重
    ids, titles, keys = [], [], []
    for i in range(len(weight)):
        print(u"-------这里输出第", i + 1, u"篇文本的词语tf-idf------")
        ids.append(idList[i])
        titles.append(titleList[i])
        df_word,df_weight = [],[] # 当前文章的所有词汇列表、词汇对应权重列表
        for j in range(len(word)):
            print(word[j],weight[i][j])
            df_word.append(word[j])
            df_weight.append(weight[i][j])
        df_word = pd.DataFrame(df_word,columns=['word'])
        df_weight = pd.DataFrame(df_weight,columns=['weight'])
        word_weight = pd.concat([df_word,df_weight],axis=1)  # 拼接词汇列表和权重列表
        word_weight = word_weight.sort_values(by = 'weight',ascending=False)  # 按照权重值降序排列
        keyword = np.array(word_weight['word']) # 选择词汇列并转成数组格式
        word_split = [keyword[x] for x in range(0,topk)] # 抽取前topK个词汇作为关键词
        word_split = " ".join(word_split)
        keys.append(word_split.encode("utf-8"))
    result = pd.DataFrame({"id": ids, "title": titles, "key": keys},columns=['id','title','key'])
    return result

def main():
    # 读取数据集
    dataFile = '\\data\\sample_data - Copy.csv'
    data = pd.read_csv(dataFile)
    # 停用词表
    stopWord = '\\data\\stopWord.txt'
    stopkey = [w.strip() for w in codecs.open(stopWord, 'rb').readlines()]
    # tf-idf关键词抽取
    result = getKeywords_tfidf(data, stopkey, 10)
    result.to_csv("\\data\\keys_TFIDF.csv", index=False)
if __name__ == '__main__':
    main()

数据链接:链接:https://pan.baidu.com/s/1eJ2zQsFV2VGfRhAxREOIDA
提取码:mpev
向林
2020年2月8日于重庆城口
好好学习,天天向上,终有所获

标签
易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!