构建并存储词项-文档矩阵 Python

# de-tokenization
detokenized_cn_doc = []        ### ***** ###
for i in range(len(news_df)):
    t = ' '.join(tokenized_cn_doc[i])
    detokenized_cn_doc.append(t)
    
news_cn_df['token_cn_doc'] = detokenized_cn_doc

detokenized_cn_doc格式是 [‘崔宥莉 成为 了 中国女足 又 一名 强劲 的 对手’, ‘本文 为 作者 原创 未经 授权 不得 转载’]

import xlwt
from sklearn.feature_extraction.text import CountVectorizer, TfidfVectorizer,  TfidfTransformer

# 计算词频
count_vectorizer = CountVectorizer(min_df=1)
term_freq_matrix = count_vectorizer.fit_transform(detokenized_cn_doc)

s = count_vectorizer.vocabulary_
print('type(s)==', type(s))
Vocabulary_list = s.keys()
Vocabulary_list = list(Vocabulary_list)

out:
type(s)== <class ‘dict’>

tfidf_vectorizer = TfidfVectorizer(min_df = 1)
tfidf_matrix = tfidf_vectorizer.fit_transform(detokenized_cn_doc)
K = tfidf_matrix.todense()
print('K==', len(K))

K = np.array(K)     # K 为文档-词项矩阵
KT = K.T            # K 的转置,KT为词项-文档矩阵
K_dot = np.dot(KT, K)   # K*K.T
print('K_dot:', len(K_dot))

out:
K== 15
K_dot: 555

# 词项-文档矩阵写入excel
workbook = xlwt.Workbook(encoding = 'ascii')
worksheet1 = workbook.add_sheet('My Worksheet1')

worksheet1.write(0, 0, 'doc编号') 
for m in range(1, len(K)+1):
    worksheet1.write(0, m, 'doc{}'.format(m)) 

for r in range(1, len(K_dot)+1):
    worksheet1.write(r, 0, Vocabulary_list[r-1]) 

for j in range(1, len(K)+1):
    for r in range(1, len(K_dot)+1):
        worksheet1.write(r, j, K[j-1][r-1]) 

workbook.save(r'J:\2020\实验数据_结果\词项-文档矩阵_cn.xls') # 保存文件
  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 首先,你需要获取文档中的非停用词列表和每个非停用词的TF-IDF值。如果你已经获取了这些信息,可以使用下面的代码生成词向量: ``` # 获取文档的非停用词列表和TF-IDF值 non_stop_words = ['word1', 'word2', 'word3', ...] tfidf_values = [0.5, 0.3, 0.2, ...] # 创建一个空的词向量 doc_vector = [0] * len(non_stop_words) # 遍历非停用词列表,并在词向量中设置每个非停用词的TF-IDF值 for i, word in enumerate(non_stop_words): doc_vector[i] = tfidf_values[i] print(doc_vector) ``` 输出结果应该为每个非停用词的TF-IDF值组成的列表。 注意:这段代码假设您已经获取了文档中的非停用词列表和每个非停用词的TF-IDF值。如果还没有获取这些信息,你可能需要额外的代码来处理文本数据,提取非停用词并计算TF-IDF值。 ### 回答2: 根据您的要求,我给出了基于文档的非停用词及其TF-IDF值来生成该文档的词向量的具体代码。 ```python import numpy as np from sklearn.feature_extraction.text import TfidfVectorizer # 停用词列表 stop_words = ["的", "了", "是", ...] # 请根据需要补充停用词 # 读取文档 with open('document.txt', 'r', encoding='utf-8') as file: data = file.readlines() # 去除停用词并生成TF-IDF向量 vectorizer = TfidfVectorizer(stop_words=stop_words) tfidf_vector = vectorizer.fit_transform(data) # 获取词汇表 vocab = vectorizer.get_feature_names() # 构建词向量矩阵 word_vector = np.array(tfidf_vector.toarray()) # 打印词汇表和对应的词向量 for i, word in enumerate(vocab): print("词汇:", word) print("词向量:", word_vector[:, i]) ``` 说明: 1. 使用`TfidfVectorizer`函数来计算TF-IDF值,传入`stop_words`参数来去除停用词。 2. 读取文档存储在`data`列表中。 3. 使用`fit_transform()`方法计算TF-IDF向量。 4. 使用`get_feature_names()`方法获取词汇表。 5. 转换为稀疏矩阵后,使用`toarray()`方法将其转换为数组,存储在`word_vector`变量中。 6. 遍历词汇表,打印每个词汇及其词向量。 注意事项: 1. 请确保已将停用词添加到`stop_words`列表中,以便正确去除停用词。 2. 请将具体文档文件命名为`document.txt`并将其保存在代码文件相同的目录下。 希望以上代码对您有帮助。如果您有任何问题,请随时提问。 ### 回答3: 为了实现基于文档中的非停用词及其TF-IDF值,生成该文档的词向量,我们可以按照以下步骤进行: 1. 导入所需的库: ```python from sklearn.feature_extraction.text import TfidfVectorizer import jieba ``` 2. 加载停用词列表: ```python stopwords = [line.strip() for line in open("stopwords.txt", encoding="utf-8").readlines()] ``` 3. 准备文档数据: ```python documents = ["这是一个示例文档", "这是另一个示例文档", "这是最后一个示例文档"] ``` 4. 对文档数据进行分词处理: ```python tokenized_documents = [] for document in documents: words = list(jieba.cut(document)) tokenized_documents.append(" ".join([word for word in words if word not in stopwords])) ``` 5. 使用TfidfVectorizer计算TF-IDF值并生成词向量: ```python vectorizer = TfidfVectorizer() vectors = vectorizer.fit_transform(tokenized_documents) ``` 现在,我们就得到了基于文档中的非停用词及其TF-IDF值的词向量。 完整的代码如下所示: ```python from sklearn.feature_extraction.text import TfidfVectorizer import jieba # 导入停用词列表 stopwords = [line.strip() for line in open("stopwords.txt", encoding="utf-8").readlines()] # 准备文档数据 documents = ["这是一个示例文档", "这是另一个示例文档", "这是最后一个示例文档"] # 对文档数据进行分词处理 tokenized_documents = [] for document in documents: words = list(jieba.cut(document)) tokenized_documents.append(" ".join([word for word in words if word not in stopwords])) # 使用TfidfVectorizer计算TF-IDF值并生成词向量 vectorizer = TfidfVectorizer() vectors = vectorizer.fit_transform(tokenized_documents) ``` 这样,我们就可以通过vectors变量获得基于文档中非停用词及其TF-IDF值的词向量。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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