参考代码manoveg/ML_with_python​github.com

数据来源https://github.com/gaussic/text-classification-cnn-rnn​github.com

import pandas as pd

contents, labels = [], []

with open("C:/R_Py/Jupyter/text-classification-cnn-rnn-master/data/cnews/cnews.test.txt","r",encoding="utf-8") as f:

for line in f:

try:

label, content = line.strip().split('\t')

if content:

contents.append(content)

labels.append(label)

except:

pass

mydic = {'content':contents,'label':labels}

mydf = pd.DataFrame(mydic)

mydf.head()

mydf.info()

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif']=['SimHei']

plt.rcParams.update({'figure.autolayout': True})# in case x label does not show completely

fig = plt.figure(figsize=(10,7))

df = mydf

df.groupby('label').count().plot.bar(ylim=0,legend = None)

plt.savefig('C:/R_Py/Jupyter/text-classification-cnn-rnn-master/data/newstable.png',dpi = 300)

plt.show() #把plt.savefig 放在 plt.show 前面 否则image is empty

import re

import jieba

#adsieg/Multi_Text_Classification

#github @ adsieg /Multi_Text_Classification

#创建停用词列表

stopwords = [line.strip() for line in open('C:\Videos\Personal_life\R_Python\jiebaDict\stop_words.txt',encoding='UTF-8').readlines()]

# 对文本进行分词

def seg_depart(sentence):

sentence = re.sub(r'[^\u4e00-\u9fa5]+','',sentence)# 去掉非汉字字符

sentence_depart = jieba.cut(sentence.strip())

word_list = []

for word in sentence_depart:

if word not in stopwords:

word_list.append(word)

return word_list

content_word_list = []

for content in df['content']:

line_seg = seg_depart(content)

#content_word_list.append(line_seg)

content_word_list.append(" ".join(line_seg))

print("一共有",len(content_word_list),'个评论。\n')

print("前3个文本分词后的结果为：\n",content_word_list[:3])

一共有 10000 个评论。

前3个文本分词后的结果为：

['鲍勃 库西 奖归 属 最强 控卫 坎巴 弗神 新浪 体育讯 如今 本赛季 进入 末段 各项 奖项 评选 即将 出炉 评选 最佳 控卫 鲍勃 库西 奖 下周 最终 四强 战时 公布 鲍勃 库西 奖是 由奈 史密斯 篮球 名人堂 提供 旨在 奖励 年度 最佳 大学 控卫 最终 获奖 球员 即将 以下 几名 热门 人选 中 产生 疯狂 三月 专题 主页 上线 点击 链接 查看 精彩内容 吉梅尔 弗雷 戴特 杨百翰 大学 弗神 吉梅尔 弗雷 戴特 一直 备受 关注 不仅仅 一名 射手 他会用 终结 对手 脚踝 变向 掉 面前 防守 任意 一支 手 完成 得分 犯规 提前 两份 划入 帐 一名 命中率 高达 罚球 手 弗雷 戴特 具有 伟大 控卫 具备 一点 特质 一位 赢家 一位 领导者 整个 赛季 至始 至终 稳定 领导 球队 前进 这是 无可比拟 杨百翰 大学 主教练 戴夫 罗斯 称赞 道 得分 能力 毋庸置疑 认为 带领 球队 获胜 能力 重要 控卫 职责 主场 之外 比赛 客场 中 立场 共 取胜 场 表现 很棒 弗雷 戴特 取得成功 很多 专业人士 更 资格 做出 判断 喜爱 凯尔特人 主教练 克里 弗斯 说道 很棒 看过 片段 剪辑 剪辑 来看 超级 巨星 认为 成为 一名 优秀 球员 诺兰 史密斯 杜克大学 赛季 初 球队 宣布 一天 控卫凯瑞 厄尔 文因 脚趾 伤病 缺席 赛季 大部分 比赛 诺兰 史密斯 便 接管 球权 进攻 端上 足 发条 联盟 杜克大学 分区 得分 榜上 名列前茅 分区 助攻 榜上 占据 头名 众强 林立 联盟 前无古人 认为 全美 球员 凯瑞 厄尔 文 受伤 接管 球队 之前 毫无准备 杜克 主教练 迈克 沙舍 夫斯基 赞扬 道 会 比赛 带入 节奏 得分 组织 领导 球队 无所不能 现在 攻防 俱佳 持球 防守 提高 拥有 辉煌 赛季 坎巴 沃克 康涅狄格 大学 坎巴 沃克 带领 康涅狄格 赛季 初 毛伊岛 邀请赛 一路 力克 密歇根州 肯塔基 等队 夺冠 他场 均分 助攻 得到 最佳 球员 大东 赛区 锦标赛 全国 锦标赛 中 他场 均分 篮板 次 助攻 依旧 给力 疯狂 表现 赛季 疯狂 表现 结束 赛季 全国 锦标赛 中 前进 之前 曾经 天 连赢 场 赢得 大东 赛区 锦标赛 冠军 归功于 坎巴 沃克 康涅狄格 大学 主教练 吉姆 卡洪 称赞 道 一名 纯正 控卫 能为 得分 单场 分有 单场 助攻 单场 篮板 一名 英尺 镑 球员 完成 很多 球员 最好 领导者 球队 做 贡献 最大 乔丹 泰勒 威斯康辛 大学 全美 没有 一个 持球者 乔丹 泰勒 很少 失误 助攻 失误 全美 遥遥领先 大十 赛区 比赛 中 平均 分钟 会 一次 失误 名 出色 得分手 全场 砍 下分 击败 印第安纳 大学 比赛 最好 证明 下半场 曾经 连拿分 夜晚 证明 值得 首轮 顺位 当时 见证者 印第安纳 大学 主教练 汤姆 克 雷恩 说道 一名 控卫 要求 领导 球队 球队 变 更好 带领 球队 成功 乔丹 泰勒 全 做到 威斯康辛 教练 博 莱恩 说道 诺里斯 科尔 克利夫兰 州 诺里斯 科尔 草根 传奇 正在 上演 默默无闻 克利夫兰 州 招募 便 刻苦 训练 去年 夏天 加练 千次 跳投 提高 可能 弱点 本赛季 杨斯顿 州 比赛 中 得到 分 篮板 次 助攻 之前 过去 年 一位 球员 曾经 一级 联盟 做到 名字 布雷克 格里芬 轻松 地防下 王牌 克利夫兰 州 主教练 加里 沃特斯 称赞 弟子 得分 球队 助攻 几乎 做到 一个 成功 团队 需要 事 四名 球员 带领 球队 进入 甜蜜 强 有个 球员 球队 挡 强 大门 之外 已经 表现 足够 出色 不远 将来 可能 出现 一所 熟悉 球馆里', '麦基 砍 充满 寂寞 纪录 之夜 痛 阿联 懂 新浪 体育讯 上天 每个 公平 贾 维尔 麦基 例外 今天 华盛顿 奇才 客场 负于 金州 勇士 麦基 好不容易 捏 软柿子 机会 上半场 打出 现象 级 表现 可惜 无法 一以贯之 最终 麦基 投中 得到 生涯 最高 分 平 生涯 最佳 篮板 另有次 封盖 他次 罚球 命中 这两项 均 生涯 最高 赛前 搞个 竞猜 上半场 会 奇才 阵中 罚球 次数 最多 球员 有人 答 曰 麦基 恶搞 脑残 半场 结束 麦基竟 砍 下分 第二节 砍 下分 更 罕见 仅 出手 次 罚球 倒 有次 命中 次 抢下 篮板 勇士 首发 五虎 总 篮板 数 持平 送 出次 盖帽 竟然 勇士 全队 上半场 盖帽 总数 多次 麦基为 奇才 带来 得分 方面 异军突起 罚球线 杀伤 对手 率队 紧咬 住 比分 封盖 威慑 对手 外 篮板 贡献 最为 关键 众所周知 篮板 勇士 生命线 月 日 那次 交锋 前 时任 代理 主帅 兰迪 惠特曼 赛前 沃尔 尼克 杨二人 下达 篮板 不少 于个 硬性 指标 惠特曼 没疯 深知 守住 篮板 阵地 扼住 勇士 咽喉 上次 交锋 拿下 篮板 大卫 李 说 称霸 篮板 取胜 希望 大些 投中 球 无所谓 一定 保护 篮板 最终 勇士 总 篮板 数以 领先 今天 半场 结束 麦基 李仅 有个 篮板 进账 造成 这种 局面 关键因素 身高 米 安德里 斯比 德林 斯伤 停后 勇士 内线 更为 迷你 李米 弗拉迪米尔 拉德 马 诺维奇 米 艾派 乌杜米 路易斯 阿蒙 德森米 米 弹跳 出众 麦基 鹤立鸡群 翻开 本赛季 中锋 篮板 效率 榜 德林 斯 位居 第位 麦基 李则 可惜 麦基 出彩 超出 勇士 预期 超出 奇才 预期 注定 不可 长久 第三节 李砍 下分 全场 投中 砍 分个 篮板 次 助攻 麦基 防守 不利 放大 分秒 奇才 失误 蒙塔 埃利斯 带球 直冲 篮下 面对 麦基 防守 华丽 篮下 度 转身 上篮 命中 全场 掌声雷动 下麦基 身影 无比 落寞 下半场 麦基有 困顿 篮板 追 全场 勇士 篮板 仅 落后 上半场 拉风 罚球 下半场 竟然 一次 没有 阿联 此役 先扬 抑 表现 如出一辙 麦基 吃 奇才 内线 缺兵 少将 苦头魑魅', '黄蜂 湖人 首发 科比 冲击 七 连胜 火箭 两旧 登场 新浪 体育讯 北京 时间 月 日 常规赛 洛杉矶 湖人 主场 迎战 新奥尔良 黄蜂 赛前 双方 公布 首发 阵容 点击 进入 新浪 体育 视频 直播室 点击 进入 新浪 体育 图文 直播室 点击 进入 新浪 体育 专题 点击 进入 新浪 官方 微博 双方 首发 阵容 湖人队 德里克 费舍尔 科比 布莱恩特 罗恩 阿泰斯特 保罗 加索尔 安德鲁 拜纳姆 黄蜂队 克里斯 保罗 马科 贝里 利特 雷沃 阿里 扎 卡尔 兰德 里 埃梅卡 奥卡福 新浪 体育']

df = df.assign(content_seg=content_word_list ) 加一个column

df=df[['label','content_seg']] 选择分词的文本，这样会提高准确率。

from sklearn.model_selection import train_test_split

from sklearn.feature_extraction.text import TfidfTransformer

from sklearn.feature_extraction.text import CountVectorizer

from sklearn.preprocessing import LabelEncoder

labels = df['label']

text = df['content_seg']

X_train, X_test, y_train, y_test = train_test_split(text, labels, random_state=0, test_size=0.2)

""" y_train - This is your dependent variable which needs to be predicted by this model, this includes category labels against your independent variables,

we need to specify our dependent variable while training/fitting the model.""" #What is the difference between x_test, x_train, y_test, y_train in sklearn?

print(X_train[0:1])

print(y_train[0:1])

count_vect = CountVectorizer()

X_train_counts = count_vect.fit_transform(X_train)

tf_transformer = TfidfTransformer().fit(X_train_counts)

X_train_transformed = tf_transformer.transform(X_train_counts)

X_test_counts = count_vect.transform(X_test)

#tf_transformer = TfidfTransformer().fit(X_test_counts)

X_test_transformed = tf_transformer.transform(X_test_counts)

# 把文字转为数字，类似于embedding

labels = LabelEncoder()

y_train_labels_fit = labels.fit(y_train)

y_train_lables_trf = labels.transform(y_train)

print(labels.classes_)

"""We will use CountVectorizer and TfidfTransformer. CountVectorizer converts a class of text documents to a matrix of token counts.

TfidfTransformer transforms the count matrix to term frequency or inverse document frequency.

You can read more about this on scikit-learn website.

Similarly in order to convert text labels or classes to numerical form, we will use LabelEncoder .

It encodes labels with values between 0 and number of classes -1 ."""

to_predict1 ="鲍勃库西奖归谁属？ NCAA最强控卫是坎巴还是弗神新浪体育讯如今，本赛季的NCAA进入到了末段，各项奖项的评选结果也即将出炉，其中评选最佳控卫的鲍勃-库西奖就将在下周最终四强战时公布，鲍勃-库西奖是由奈史密斯篮球名人堂提供，旨在奖励年度最佳大学控卫。最终获奖的球员也即将在以下几名热门人选中产生。〈〈〈 NCAA疯狂三月专题主页上线，点击链接查看精彩内容吉梅尔-弗雷戴特，杨百翰大学“弗神”吉梅尔-弗雷戴特一直都备受关注，他不仅仅是一名射手，他会用“终结对手脚踝”一样的变向过掉面前的防守者，并且他可以用任意一支手完成得分，如果他被犯规了，可以提前把这两份划入他的帐下了，因为他是一名命中率高达90%的罚球手。弗雷戴特具有所有伟大控卫都具备的一点特质，他是一位赢家也是一位领导者。“他整个赛季至始至终的稳定领导着球队前进，这是无可比拟的。”杨百翰大学主教练戴夫-罗斯称赞道，“他的得分能力毋庸置疑，但是我认为他带领球队获胜的能力才是他最重要的控卫职责。我们在主场之外的比赛(客场或中立场)共取胜19场，他都表现的很棒。”

弗雷戴特能否在NBA取得成功？当然，但是有很多专业人士比我们更有资格去做出这样的判断。“我喜爱他。”凯尔特人主教练多克-里弗斯说道，“他很棒，我看过ESPN的片段剪辑，从剪辑来看，他是个超级巨星，我认为他很成为一名优秀的NBA球员。”诺兰-史密斯，杜克大学当赛季初，球队宣布大一天才控卫凯瑞-厄尔文因脚趾的伤病缺席赛季大部分比赛后，诺兰-史密斯便开始接管球权，他在进攻端上足发条，在ACC联盟(杜克大学所在分区)的得分榜上名列前茅，但同时他在分区助攻榜上也占据头名，这在众强林立的ACC联盟前无古人。“我不认为全美有其他的球员能在凯瑞-厄尔文受伤后，如此好的接管球队，并且之前毫无准备。”杜克主教练迈克-沙舍夫斯基赞扬道，“他会将比赛带入自己的节奏，得分，组织，领导球队，无所不能。而且他现在是攻防俱佳，对持球人的防守很有提高。总之他拥有了辉煌的赛季。”坎巴-沃克，康涅狄格大学坎巴-沃克带领康涅狄格在赛季初的毛伊岛邀请赛一路力克密歇根州大和肯塔基等队夺冠，他场均30分4助攻得到最佳球员。在大东赛区锦标赛和全国锦标赛中，他场均27.1分，6.1个篮板，

5.1次助攻，依旧如此给力。他以疯狂的表现开始这个赛季，也将以疯狂的表现结束这个赛季。“我们在全国锦标赛中前进着，并且之前曾经5天连赢5场，赢得了大东赛区锦标赛的冠军，这"

from sklearn.svm import LinearSVC

from sklearn.calibration import CalibratedClassifierCV

import numpy as np

linear_svc = LinearSVC()

clf = linear_svc.fit(X_train_transformed,y_train_lables_trf)

# 训练svc

calibrated_svc = CalibratedClassifierCV(base_estimator=linear_svc,

cv="prefit")

calibrated_svc.fit(X_train_transformed,y_train_lables_trf)

predicted = calibrated_svc.predict(X_test_transformed)

#to_predict1 = ["本绕不开的话题。历史上发生的战事结局都是注定的，证，比如拯救大兵瑞恩里的那辆”虎式坦克“是多么的不真实。还有些军迷会在这样的战争片中找到宏大叙事的由头，借机抒发自己的感怀。老实说，我对这样的宏大叙事并不接受。在我看来过于注重宏大叙事是对个人感受的不尊重，更是对整个事件”质感“的破坏。那么战争片为什么还得以吸引人呢？在我看来，所谓的文学和戏剧，其本质都是冲突，而战争是冲突最直接的表现形式，置身其中的每个人都会面对同敌人的冲突，自己内心几种情绪的冲突，在这些冲突中，人性会得到很极致的体现——这才是战争片吸引人的原因。对于灰猎犬号这部电影来说，除了盟军和德军的冲突，以及驱逐舰官兵们内心的冲突之外，还应该再加上一个，那就是人和自然的冲突。整个电影里，北大西洋冬季恶劣的海况是所有故事发生的主旋律。电影中的取景想必也是考究的，始终处于慢慢地摇晃当中。在这样风高浪急的情况下，美国驱逐舰就算是发现了德国潜水艇的潜望镜也不能用127毫米火炮在远处开火，而只能等到潜水艇抵近。事实上，所有发生在北大西洋的战斗都必须考虑那里的”高海况“因素。这种海面不但折磨船舶设计师，也在折磨每一个参加战斗的人。当然，对于德军和盟军来说，猎杀潜航的故事是两个完全不同的版本，但对二者而言，这其实都是九死一生的考验。对于德军而言，影片中出现的VIIC型潜水艇是相当写实的。这种潜水艇是二战中德军潜艇的主力，其水面航速可以达到十几节，但水下航速也只有六节左右。这样的水下航速不要说跟盟军动辄三十几节的驱逐舰赛跑了，就是追上商船队都非常费劲。所以，德军潜艇一般是要通过无线电监听和侦察确定盟军船队的航路，然后用狼群打埋伏。一般而言，狼群会选择在晚上攻击盟军的船队，此时受限于视界，盟军的护航船其实并不能很好地探测德军潜艇，而潜艇就可以乘此机会浮出水面，凭借着较快的水面航速对商船围追堵截了。这方面一个最典型的案例是发生在1940年10月对SC-7商船队的伏击，德军的五艘潜艇在一晚上击沉了16艘盟军货船，己方无一损失。当然，这是建立在当时美国尚未参战，盟军护航力量非常薄弱的情况下。等美国参战之后，德国潜艇就很难再获得这样的好机会了。影片中浮出水面的VIIC型德军潜艇关于SC船队的惨剧，来自游戏“大西洋舰队”。事实上电影中HX-25船队是虚构的，其很多剧情要素综合了其他一些大西洋运输船队的命运但不管美国是否参战，德军潜艇有一点还是明白的，那就是永远不要去挑战护航驱逐舰。在影片中，作为反派的德军潜艇对灰猎犬号发动了勇猛的攻击。这在现实中其实是几乎不可能发生的情况。以VIIC型潜水艇为例，一次齐射最多是四枚鱼雷，在这之后就是漫长的重装填过程。所以，德军艇长第一次齐射要保证”收益最大化“，速度慢，装满了货物又没什么武装的商船才是最好的目标。1942年以后德军潜艇使用的G7eT3型鱼雷，鱼雷重量巨大，再装填十分不易，且成本高昂，所以德军艇长优先确保的是用鱼雷击沉商船至于驱逐舰，航速飞快，火力强大，那是潜艇的噩梦，是唯恐避之不及的。关于二战时期的德军潜艇，有一部很好的电影叫《从海底出击》(Das Boot)，这部电影站在德军的视角讲述了二战潜艇兵的生活。在漫长枯燥的巡航之后，发现目标和攻击能带来短暂的兴奋，在此之后不管攻击成败，潜艇都要立刻下潜，躲避驱逐舰拉网巡查式的声纳搜寻和深水炸弹攻击。在这样的猫捉老鼠游戏中，潜艇完全是被动的，别无他法，只好期待驱逐舰赶紧远离。倘若运气不好，潜艇被发现了，等待的就是深水炸弹攻击，整艘潜艇上的人在这种情况下绝无生还可能。被驱逐舰声纳锁定的潜水艇所以，电影里德军潜艇跟打了鸡血一样去挑战美军驱逐舰是一个艺术加工罢了，决没有艇长会蠢到这个地步。当然，这个场景里一处细节更加地艺术加工了，那就是德国潜艇通过无线电联系上美军驱逐舰。这在现实中是不可能发生的情况。德国海军和美国海军的无线电通信频率不同且对彼此保密，在实际中并不会发生”入侵对方无线电“的事情。现实中，倒是盟军破译了德军的恩尼格玛密码机，所以对德军潜艇的部署可以有更好的防范。除此之外，电影中盟军驱逐舰的火力和精准度也被适当下调，这也是为了剧情需要。实际上，VIIC型潜艇的壳体用40毫米博福斯火炮是可以贯穿的，没有哪个疯狂的潜艇艇长会蠢到浮上水面和驱逐舰对射。对于德国潜艇来说，猎杀潜航是一出非常危险的游戏，而且这样的游戏在1942年之后更加危险。整个战争期间，有四分之三的德国潜艇兵阵亡，足可以想见影片里煞是吓人的反派德国潜艇其实也举步维艰，并没有嚣张的资本。对盟军驱逐舰来说，猎杀潜航的任务同样不轻松。1942年上半年，盟军大西洋护航面临的最大问题是船只严重不足。这样一来，一个船队无论如何精心组织，一定会有漏洞出现的。而且，这部电影为了艺术化，将德军潜艇设定成一艘一艘前来送死的弱智形象，在实际中这种情况是不太可能发生的。所谓狼群战术，那就是协调一致在一个最有利的时间和地点发动攻击。这样的协同攻击会让盟军的护航舰顾此失彼，而袭击者也可以趁着混乱逃之夭夭。面对这样的情况，盟军护航军舰并没有什么太好的办法，每次横渡大西洋，几艘货轮被击沉都被当成是”正常情况“，这直到盟军建立了新的反潜组织和采取了新的反潜技术之后才有所改观，这已经是1942年下半年到1943年的事情了。还是以SC-7船队为例，整个舰队的护航靠的是几艘连驱逐舰都不如的“小型护卫舰”Corvette，这样的小型护卫舰面对德军潜艇显得相当无力电影中的Dicky就是一艘这样的Corvette，以典型的花级小型护卫舰为例，这些船没有鱼雷，深水炸弹也就是有数的几颗，在这种情况下指望这些船去对抗德国潜艇实在是力不从心而且当时盟军驱逐舰反潜的最主要武器是声呐和深水炸弹。对于声呐来说，当驱逐舰和目标距离接近到500码的时候，反射的声波返回太快就会和刚发射的声波混在一起，到300码的时候就完全失效。也就是说在反潜舰接近潜艇的最后阶段其实探测不到潜艇，只能依靠失去接触前推算的潜艇位置和深度——电影的前半段，导演用了相当多的笔墨去刻画驱逐舰猎杀一艘落单的德军艇，在最后时刻，驱逐舰的确和潜艇脱离接触了，只能靠猜。而当时，如果潜水艇在水面下，盟军驱逐舰能用的攻击武器就只有深水炸弹。深水炸弹设置在军舰尾部，只能向侧舷抛射或者从舰尾轨道上投掷，这就意味着军舰要驶到潜艇正上方才能开始攻击，深水炸弹投出后又需要一段时间才能下沉到设定深度上爆炸。 有经验的德国潜艇艇长会在驱逐舰接近的最后关头大幅度改变航向和航速，或者急速潜航。此时驱逐舰按事前判断的位置和深度投掷深弹的时候就会炸个空。 二次世界大战时期的深水炸弹攻击影片开头猎杀德军潜艇的场面惊心动魄，但放在现实中看，那艘倒霉的德国潜艇艇长只能说是个新手。当时反潜效率不高，平均下来10次深弹攻击才能有1次击中目标。反潜是一种很需要耐心的猫捉老鼠游戏，驱逐舰投掷深水炸弹，然后低速观察是否有击沉迹象并等待声呐恢复工作后再次探测并发动攻击，不断重复这个过程。有的时候反潜攻击会持续十多个小时，投掷上百枚深弹——这都是建立在护航驱逐舰和深水炸弹数量充足，且无所事事的情况下，在影片中，就那么几艘驱逐舰护航船队等着护航前往英国，大家的燃料又非常紧张，这样的过程基本是不可能的。事实上，直到英国人在1942年底将“刺猬弹”引入驱逐舰，盟军才有了第一种可以向前发射的反潜武器。电影设定的1942年2月，反潜还是只能靠深水炸弹。深水炸弹在驱逐舰后方爆炸的瞬间影片中德军的潜艇会使用诱饵来干扰盟军驱逐舰的声呐，这其中，Pillenwerfer投掷的是德国的声纳诱饵，这种诱饵从1942年开始在第二次世界大战期间被德军潜艇使用。它由一个装满氢化钙的直径约10厘米的金属罐组成。。当与海水混合时，氢化钙会产生大量的氢，这些氢会从容器中冒出，从而产生虚假的声纳目标。不过，这样的声纳目标是静止的，而且就只是单纯的巨大声音而已。另一种稍加改进的声纳诱饵是Sieglinde，它可以模仿潜水艇在水下以6节速度前行时的声音，对盟军而言迷惑性更大。影片中，灰猎犬号和其他护航船就因为在这样的诱饵上浪费了大量的深水炸弹，从而导致在第二天陷入了非常被动的局面。德军的声纳诱饵剖视图其实对于护航兵力严重不足的盟军来说，只要有一艘德国潜艇漏网后果就可能非常严重。所以，整个北大西洋的航程看似漫长无聊，其实充满了杀机。电影里的镜头切换也制造了这种紧凑的感觉。的确，在海战中，没有太多的时间供人思考。而驱逐舰除了护航，还要负责联络和拯救的任务。所以在通过危险海域时，舰长是没有休息的可能。对于德军来说，他们看上去是猎手，但其实更加悲惨。盟军的船队有明确的目的地，而德军潜艇是要在一片广大的海域游猎，每次出航起码是十几周，他们要忍受无聊，食物不新鲜和各种各样意想不到的状况，潜艇的条件也比驱逐舰恶劣许多。饶是如此，北大西洋航路对盟军和德军重要性都不言而喻，所以双方硬着头皮也得在这条航路上玩猫捉老鼠的游戏。这部影片也很好地还原了小小的驱逐舰在北大西洋的惊涛骇浪中如一叶扁舟的脆弱。但是在舰内取景时，驱逐舰的内部空间还是被还原的太宽敞了。真正的驱逐舰内部空间要比电影里小得多。这也在表明真正的北大西洋护航战比电影里描述的残酷得多。在这样的杀戮场上，不管是舰长还是没一个小人物时时刻刻都在经历生死考验。而人在这样的生词考验中表现出的种种，才是穿越历史具有永恒价值的东西，也是战争片吸引军迷之外观众的原因。灰猎犬号这部电影虽然经过删减只剩了一个半小时，但这点把握的非常好，所以，这注定是一部会让人讨论许久的战争片。毕竟啊，一个凡人被抛入这样时局和自然的漩涡当中，这样的设定本身就具备了强冲突的所有要素，这大约就是表现战争，尤其是海战的影片在娱乐至死，疫情横行的2020年还可以有不少观众的原因吧。"]

#to_predict1 ="最近南方的气温急剧上升,厨房的使用体验则是急剧下降。作为家中的油烟重地,各种稀奇古怪的味道混杂在一起,刺鼻难闻,让人感到不适。今天给大家介绍一些简单又有效的方式,还厨房一个清新的环境。发出异味。"

line_seg = seg_depart(to_predict1)

#content_word_list.append(line_seg)

to_predict= " ".join(line_seg)

to_predict= [to_predict]

print(to_predict)

p_count = count_vect.transform(to_predict)

p_tfidf = tf_transformer.transform(p_count)

print('Average accuracy on test set={}'.format(np.mean(predicted == labels.transform(y_test))))

print('Predicted probabilities of demo input string are')

print(calibrated_svc.predict_proba(p_tfidf))

pd.DataFrame(calibrated_svc.predict_proba(p_tfidf)*100, columns=labels.classes_)