构建词频矩阵, 从而得到TF、IDF

本文介绍了如何构建词频矩阵,并详细阐述了TF-IDF的概念,通过计算词频(TF)和逆文档频率(IDF),用于衡量词汇在文档中的重要性,为文本分析提供关键指标。
摘要由CSDN通过智能技术生成
""" 构建词频矩阵, 从而得到TF、IDF"""

import csv
import math
import re
import jieba
import numpy as np
import scipy.sparse as ss

# 加载补充词典
jieba.load_userdict("./words/dict.txt")
stopwords = []  # 去除停用词
for stop in open("./words/stop_words", 'r'):
    stopwords.append(stop.split('\n')[0])
    stopwords.append('')
    stopwords.append(' ')

stop_word = [u'的', u'是', u'和', u'丨']


# 预切断句子,以免得到太多无意义(不是中文、英文、数字)的字符串
def text_filter(line):
    line_arr = []
    w = u'#'
    # for line in texts:
    for word in stop_word:
        line = line.replace(word, w)
    line_arr.append(line)

    for a in line_arr:
        # 这个正则表达式匹配的是任意非中文、非英文、非数字,因此它的意思就是用任意非中文、非英文的字符断开句子
        for t in re.split(u'[^\u4e00-\u9fa5a-zA-Z]+', a):
            if t:
                yield t


def cut(txt):
    word_list = []
    for 
  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值