文档主题分类项目Python代码

#希拉里右键门，文档主题分类。LDA模型，数据读取还有点问题
#数据来源:请联系公众号：湾区人工智能
import numpy as np
import pandas as pd
import re
import codecs
#UnicodeEncodeError: 'mbcs' codec can't encode characters in position 0--1: invalid character
df = pd.read_csv("D:/自然语言处理/Lecture_3 LDA 主题模型课件与资料/Lecture_3 LDA 主题模型课件与资料/主题模型课件与资料/input/HillaryEmails.csv",encoding='utf-8')
# 原邮件数据中有很多Nan的值，直接扔了。
df = df[['Id','ExtractedBodyText']].dropna()
def clean_email_text(text):text = text.replace('\n'," ") #新行，我们是不需要的text = re.sub(r"-", " ", text) #把 "-" 的两个单词，分开。（比如：july-edu ==> july edu）text = re.sub(r"\d+/\d+/\d+", "", text) #日期，对主体模型没什么意义text = re.sub(r"[0-2]?[0-9]:[0-6][0-9]", "", text) #时间，没意义text = re.sub(r"[\w]+@[\.\w]+", "", text) #邮件地址，没意义text = re.sub(r"/[a-zA-Z]*[:\//\]*[A-Za-z0-9\-_]+\.+[A-Za-z0-9\.\/%&=\?\-_]+/i", "", text) #网址，没意义pure_text = ''# 以防还有其他特殊字符（数字）等等，我们直接把他们loop一遍，过滤掉for letter in text:# 只留下字母和空格if letter.isalpha() or letter==' ':pure_text += letter# 再把那些去除特殊字符后落单的单词，直接排除。# 我们就只剩下有意义的单词了。text = ' '.join(word for word in pure_text.split() if len(word)>1)return text#新建一个colum
docs = df['ExtractedBodyText']
docs = docs.apply(lambda s: clean_email_text(s))
#docs.head(1).values
doclist = docs.values
from gensim import corpora, models, similarities
import gensim
stoplist = ['very', 'ourselves', 'am', 'doesn', 'through', 'me', 'against', 'up', 'just', 'her', 'ours', 'couldn', 'because', 'is', 'isn', 'it', 'only', 'in', 'such', 'too', 'mustn', 'under', 'their', 'if', 'to', 'my', 'himself', 'after', 'why', 'while', 'can', 'each', 'itself', 'his', 'all', 'once', 'herself', 'more', 'our', 'they', 'hasn', 'on', 'ma', 'them', 'its', 'where', 'did', 'll', 'you', 'didn', 'nor', 'as', 'now', 'before', 'those', 'yours', 'from', 'who', 'was', 'm', 'been', 'will', 'into', 'same', 'how', 'some', 'of', 'out', 'with', 's', 'being', 't', 'mightn', 'she', 'again', 'be', 'by', 'shan', 'have', 'yourselves', 'needn', 'and', 'are', 'o', 'these', 'further', 'most', 'yourself', 'having', 'aren', 'here', 'he', 'were', 'but', 'this', 'myself', 'own', 'we', 'so', 'i', 'does', 'both', 'when', 'between', 'd', 'had', 'the', 'y', 'has', 'down', 'off', 'than', 'haven', 'whom', 'wouldn', 'should', 've', 'over', 'themselves', 'few', 'then', 'hadn', 'what', 'until', 'won', 'no', 'about', 'any', 'that', 'for', 'shouldn', 'don', 'do', 'there', 'doing', 'an', 'or', 'ain', 'hers', 'wasn', 'weren', 'above', 'a', 'at', 'your', 'theirs', 'below', 'other', 'not', 're', 'him', 'during', 'which']
texts = [[word for word in doc.lower().split() if word not in stoplist] for doc in doclist]
#用词袋的方法，把每个单词用一个数字index指代，并把我们的原文本变成一条长长的数组：
dictionary = corpora.Dictionary(texts)
corpus = [dictionary.doc2bow(text) for text in texts]
#建立模型
lda = gensim.models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=20)
#第10号分类，其中最常出现的单词是
#lda.print_topic(10, topn=5)
#所有的主题打印出来看看
lda.print_topics(num_topics=20, num_words=5)'''
#可以把新鲜的文本/单词，分类成20个主题中的一个。文本和单词，都必须得经过同样步骤的文本预处理+词袋化，也就是说，变成数字表示每个单词的形式。
lda.get_document_topics(bow)
'''

文档主题分类项目Python代码相关推荐

[python] LDA处理文档主题分布代码入门笔记
以前只知道LDA是个好东西,但自己并没有真正去使用过.同时,关于它的文章也非常之多,推荐大家阅读书籍<LDA漫游指南>,最近自己在学习文档主题分布和实体对齐中也尝试使用LDA进行简单的实验 ...
[python] LDA处理文档主题分布及分词、词频、tfidf计算
这篇文章主要是讲述如何通过LDA处理文本内容TXT,并计算其文档主题分布,主要是核心代码为主.其中LDA入门知识介绍参考这篇文章,包括安装及用法: [python] LDA处理文档主题 ...
Confluence 6 文档主题合并问答
在 Confluence 官方前期发布的消息中,文档主题在 Confluence 6.0 及其后续版本中已经不可用.我们知道你可能对这个有很多好好奇的问题,因此我们在这里设置了一个问答用于帮助你将 ...
自然语言处理项目之文档主题分类
#希拉里右键门,文档主题分类.LDA模型,数据读取还有点问题 #数据来源:请联系公众号:湾区人工智能 import numpy as np import pandas as pd import re ...
主题计算机一级,Office2007文档主题的应用或自定义
通过应用Office 2007文档主题(主题:一组统一的设计元素,使用颜色.字体和图形设置文档的外观.),您可以快速而轻松地设置整个文档的格式,赋予它专业和时尚的外观.文档主题是一组格式选项,包括一 ...
论文阅读——基于文档主题结构的关键词抽取方法研究（理解）
1.引言 1.1关键词自动标注的主要方式与算法关键词自动标注主要有两种方式:关键词抽取与关键词分配. 关键词抽取,是从文档内容中寻找并推荐关键词关键词分配,是从一个预先构造好的受控词表(contr ...
LDA文档主题生成模型
基础知识: LDA: latent dirichlet allocation ,又名潜在狄利克雷分布,是非监督机器学习技术,用于识别文档集中潜在的主题词信息. 主要思想:采用词袋方法,将每一篇文档视为 ...
c语言字符统计2sdut,山东理工大学SDUT - ACM OJ 题： Python代码及分析
Python基础语法学习完成,先刷基础题100道巩固 ,附题目.代码.知识分析题目:http://acm.sdut.edu.cn/onlinejudge2/index.php/Home/Index ...
脱贫帮扶绩效评价-2020年华数杯C题(含python代码)
支持博主有三宝,点赞.留言.关注公众号关注公众号免费获全部代码,后台回复:2020华数杯C 个人公众号题目来源:2020年_华数杯_C题 1. 问题1的求解 1.1 模型建立判断2015年与 2 ...

文档主题分类项目Python代码

文档主题分类项目Python代码相关推荐

最新文章

热门文章