基于贝叶斯算法之新闻分类

本文介绍了使用搜狗新闻数据集进行新闻内容的预处理,包括分词、停用词清洗、关键词提取和词云图构建。接着,通过LDA主题模型理解新闻主题,并对比了使用TF-IDF与不使用TF-IDF进行词向量转换在新闻分类任务上的效果,结果显示TF-IDF能提高分类准确率至0.8224。
摘要由CSDN通过智能技术生成

数据源:http://www.sogou.com/labs/resource/ca.php

数据源是一个搜狗新闻数据集,里面包含新闻的种类、主题、URL与内容,现在需要将新闻的内容进行清洗、去掉杂乱的字符串,并实现关键词提取、构造关键词云图,最后将整合后的内容进行分类。
首先导入数据:

import pandas as pd
import numpy as np
import jieba
import matplotlib.pyplot as plt

file_path = 'F:\\python_learing\\news_data\\val.txt'
def load_data(filename):
    df_news = pd.read_table(filename,sep='\t',names=['category','theme','URL','content'])
    df_news = df_news.dropna()
    return df_news

df_news = load_data(file_path)
df_news.head()

在这里插入图片描述
接下来列用jieba对内容进行分词:

content = df_news.content.values.tolist()

def jieba_cut(dataSet):
    content_S = []
    for line in dataSet:
        current = jieba.lcut(line)
        if len(current) > 1 and current != '\r\t':
            content_S.append(current)
    df_content = pd.DataFrame({'content_S':content_S})
    return df_content
df_content = jieba_cut(content)
df_content.head()

  • 1
    点赞
  • 23
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
评论 6
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