nltk文本清洗

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from gensim.models import Word2Vec
from nltk.tokenize import word_tokenize

# 读取处理后的数据
data = pd.read_excel('cleaned_Laos_news.xlsx')

# 检查并填充NaN值
data['cleaned_content'] = data['cleaned_content'].fillna('')

# 创建一个TF-IDF向量化器
tfidf_vectorizer = TfidfVectorizer(max_features=1000)  # 选择前1000个最重要的词汇

# 将清洗后的文本进行向量化
tfidf_matrix = tfidf_vectorizer.fit_transform(data['cleaned_content'])

# 将TF-IDF矩阵转换为DataFrame
tfidf_df = pd.DataFrame(tfidf_matrix.toarray(), columns=tfidf_vectorizer.get_feature_names_out())

# 创建Word2Vec模型
tokenized_data = [word_tokenize(text) for text in data['cleaned_content']]
word2vec_model = Word2Vec(tokenized_data, vector_size=100, window=5, min_count=1, sg=0)

# 将Word2Vec模型保存为独立文件
word2vec_model.save('word2vec_model.bin')

# 将TF-IDF特征和Word2Vec模型整合到原始数据中
data['tfidf_features'] = tfidf_df.values.tolist()  # 将TF-IDF特征列表添加到数据中
data['word2vec_model_path'] = 'word2vec_model.bin'  # 保存Word2Vec模型路径到数据中

# 保存整合后的数据到新的Excel文件
output_file_path = 'Laos_news_with_features.xlsx'
data.to_excel(output_file_path, index=False)
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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