使用贝叶斯算法完成新闻分类任务

文本分析：新闻分类任务

停用词（符号，字符都有）：1.语料中大量出现 2.没啥作用

Tf-idf:关键词提取
《中国的蜜蜂养殖》：进行词频（Term Frequency，缩写为TF）统计
出现次数最多的词是----“的” “是” “在”----这一类最常用的词（停用词）
“中国” “蜜蜂” “养殖”这三个词出现的频率一样多，重要性一样?
"中国"是很常见的词，相对而言，“蜜蜂”和“养殖”不那么常见

“逆文档频率” (Inverse Document Frequent,缩写为IDF)
如果这个词比较少见，但它在该文章中多次出现，那么它很可能就反映了这篇文章的特性，正是我们需要的关键词

词频(TF) = 某个词在文章中出现的次数 / 文章总的词数

逆文档频率(IDF) = log(语料库的文档总数 / 包含该词的文档数 + 1)

TF-IDF = 词频(TF) X 逆文档频率(IDF)

相似度
句子A：我喜欢看电视，不喜欢看电影。
句子B：我不喜欢看电视，也不喜欢看电影。

分词：
句子A：我/喜欢/看/电视，不/喜欢/看/电影。
句子B：我/不/喜欢/看/电视，也/不/喜欢/看/电影。

语料库：我，喜欢，看，电视，电影，不，也。

词频：
句子A：我1，喜欢2，看2，电视1，电影1，不1，也0
句子B：我1，喜欢2，看2，电视1，电影1，不2，也1

词频向量：
句子A：[1,2,2,1,1,1,0]
句子B：[1,2,2,1,1,2,1]

根据两个向量求出余弦值

下面是代码实例，使用结巴分词器进行分词

In[1]:import pandas as pd
	  import jieba	

In[2]:df_news = pd.read_table('val.txt', names=['category', 'theme', 'URL', 'content'], encoding='utf-8')
	  df_news.dropna()
	  df_news.head()

# 使用结吧分词器分词
In[3]:content = df_news.content.values.tolist()
      # 将数据转换为列表形式
      print(content[1000])

In[4]:content_S = []
	  for line in content:
	      current_segment = jieba.lcut(line)
	      if len(current_segment) > 1 and current_segment != '\r\n':
	          content_S.append(current_segment)
	          # 每个分词器结果都是一个列表

In[5]:content_S[1000]

In[6]:df_content = pd.DataFrame({
   'content_S':content_S})
	  df_content.head()
	  stopwords =  pd.read_csv('stopwords.txt', index_col=False, sep='\t', quoting=3, names=['stopwords'], encoding='utf-8')
	  stopwords.head(