开发者日志-下游项目分析

下面简单介绍一下在OpenEuler组成分析中的下游项目分析。

爬虫

数据爬取就是利用python的爬虫简单将OpenEuler库中的软件进行爬取即可。

一些需要注意的点:

  1. 访问限制
    Gitee平台的访问限制很奇怪,在我对https://gitee.com/organizations/src-openeuler/projects进行爬取的时候,调整到page=21的时候,会访问失败,需要你进行登录。
    此时我们只需要调整headers即可,在里面加入浏览器的Cookies,就可以继续爬取了。
  2. 数据处理
    为了方便后续分析和重新爬取每一个项目的仓库,将第一步爬取下来的库,按照title-herf进行存储,随后通过遍历访问,对每一个herf进行爬取,就可以得到仓库的具体属性

主题分类

主题分类采用LDA模型开展。

首先对描述集进行分词,分词后读入数据:

def load_data():
    file = open("OpenEuler_description.csv", encoding="utf-8", errors='ignore').read().split("\n")
    data_set = []
    for i in range(len(file)):
        result = []
        seg_list = file[i].split()
        for w in seg_list:
            result.append(w)
        filtered_words = [word for word in result if word not in stopwords.words('english')]
        data_set.append(filtered_words)
    dictionary = corpora.Dictionary(data_set)
    corpus = [dictionary.doc2bow(text) for text in data_set]# 表示为第几个单词出现了几次
    return data_set, dictionary, corpus

随后根据coherence值来判断应该将主题数确定为几,通过画出主题-coherence图,最高峰即为主题数:

def coherence(num_topics):
    data_set, dictionary, corpus = load_data()
    ldamodel = LdaModel(corpus, num_topics=num_topics, id2word=dictionary, passes=30, random_state=1)
    ldacm = CoherenceModel(model=ldamodel, texts=data_set, dictionary=dictionary, coherence='c_v')
    print(ldacm.get_coherence())
    return ldacm.get_coherence()

def draw():
    x = range(1,15)
    y = [coherence(i) for i in x]
    plt.plot(x, y)
    plt.xlabel("主题数目")
    plt.ylabel('coherence大小')
    plt.rcParams['font.sans-serif'] = ['SimHei']
    matplotlib.rcParams['axes.unicode_minus'] = False
    plt.title('主题-coherence变化情况')
    plt.show()

本项目得到的主题数为7,将7作为参数输入lda模型之中,生成可视化网页:

def build():
    data_set, dictionary, corpus = load_data()
    lda = LdaModel(corpus=corpus, id2word=dictionary, num_topics=7, passes=30, random_state=1)
    topic_list = lda.print_topics()
    print(topic_list)

    for i in lda.get_document_topics(corpus)[:]:
        listj = []
        for j in i:
            listj.append(j[1])
        bz = listj.index(max(listj))
        print(i[bz][0])
    data = pyLDAvis.gensim.prepare(lda, corpus, dictionary, mds='mmds')
    pyLDAvis.save_html(data, '7topic.html')

完整代码如下:

# coding: utf-8
import gensim
from gensim import corpora
import matplotlib.pyplot as plt
import matplotlib
import numpy as np
import warnings
import pyLDAvis.gensim

warnings.filterwarnings('ignore')

from gensim.models.coherencemodel import CoherenceModel
from gensim.models.ldamodel import LdaModel
from nltk.corpus import stopwords

def load_data():
    file = open("OpenEuler_description.csv", encoding="utf-8", errors='ignore').read().split("\n")
    data_set = []
    for i in range(len(file)):
        result = []
        seg_list = file[i].split()
        for w in seg_list:
            result.append(w)
        filtered_words = [word for word in result if word not in stopwords.words('english')]
        data_set.append(filtered_words)
    dictionary = corpora.Dictionary(data_set)
    corpus = [dictionary.doc2bow(text) for text in data_set]# 表示为第几个单词出现了几次
    return data_set, dictionary, corpus


def coherence(num_topics):
    data_set, dictionary, corpus = load_data()
    ldamodel = LdaModel(corpus, num_topics=num_topics, id2word=dictionary, passes=30, random_state=1)
    ldacm = CoherenceModel(model=ldamodel, texts=data_set, dictionary=dictionary, coherence='c_v')
    print(ldacm.get_coherence())
    return ldacm.get_coherence()

def draw():
    x = range(1,15)
    y = [coherence(i) for i in x]
    plt.plot(x, y)
    plt.xlabel("主题数目")
    plt.ylabel('coherence大小')
    plt.rcParams['font.sans-serif'] = ['SimHei']
    matplotlib.rcParams['axes.unicode_minus'] = False
    plt.title('主题-coherence变化情况')
    plt.show()

def build():
    data_set, dictionary, corpus = load_data()
    lda = LdaModel(corpus=corpus, id2word=dictionary, num_topics=7, passes=30, random_state=1)
    topic_list = lda.print_topics()
    print(topic_list)

    for i in lda.get_document_topics(corpus)[:]:
        listj = []
        for j in i:
            listj.append(j[1])
        bz = listj.index(max(listj))
        print(i[bz][0])
    data = pyLDAvis.gensim.prepare(lda, corpus, dictionary, mds='mmds')
    pyLDAvis.save_html(data, '7topic.html')


if __name__ == '__main__':
    #draw()
    build()

得到分类好的主题之后,即可对主题进行关键词划分。

在这里插入图片描述
网页左边是主题数,右边是词语在主题中和整个文章中的出现频率。

蓝色是整个文章中的频率,红色是在主题中的频率。

右上方的λ值代表关联度,表示某个词语主题的相关性。

λ接近1,表示在该主题下出现的频繁;
λ接近0,表示在该主题下特殊。

所以可以通过取λ=0和λ=1,来提取关键词。

随后通过词语分类,对项目进行简单的划分,随后将项目数可视化展示即可。这里的操作比较简单,作者利用了饼图进行展示,也有许多其他方法供大家选择。

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 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

打赏作者

Yifanan

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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