文本分析--关键词获取（jieba分词器，TF-IDF模型）

# -*-coding:utf-8-*-


#import uniout  # 编码格式，解决中文输出乱码问题
import jieba.analyse
from sklearn import feature_extraction
from sklearn.feature_extraction.text import TfidfTransformer

from sklearn.feature_extraction.text import CountVectorizer

jieba.analyse.set_stop_words("C:\\Python36\\Lib\\site-packages\\jieba\\stop_words.txt")

"""
       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
"""


# 读取文件

def read_news():

  

    #news = open('1.txt').read()

    news = open('2.txt',encoding = 'utf-8').read()

    return news




# jieba分词器通过词频获取关键词
def  jieba_keywords(news):
    keywords = jieba.analyse.extract_tags(news, topK=10)
    print (keywords)


def  tfidf_keywords():
    # 00、读取文件,一行就是一个文档，将所有文档输出到一个list中
    corpus = []
    for line in open('news.txt', 'r').readlines():
        corpus.append(line)


    # 01、构建词频矩阵，将文本中的词语转换成词频矩阵
    vectorizer = CountVectorizer()
    # a[i][j]:表示j词在第i个文本中的词频
    X = vectorizer.fit_transform(corpus)
    print (X)  # 词频矩阵


    # 02、构建TFIDF权值
    transformer = TfidfTransformer()
    # 计算tfidf值
    tfidf = transformer.fit_transform(X)


    # 03、获取词袋模型中的关键词
    word = vectorizer.get_feature_names()


    # tfidf矩阵
    weight = tfidf.toarray()


    # 打印特征文本
    print (len(word))
    for j in range(len(word)):
        print (word[j])


    # 打印权重
    for i in range(len(weight)):
        for j in range(len(word)):
            print (weight[i][j])
            # print '\n'




if __name__ == '__main__':
    news = read_news()
    jieba_keywords(news)
    tfidf_keywords()