文本相似性算法实现（二）-分组及分句热度统计

1. 场景描述

软件老王在上一节介绍到相似性热度统计的4个需求（文本相似性热度统计(python版)），本次介绍分组及分组分句热度统计（需求1和需求2）。

2. 解决方案

分组热度统计首先根据某列进行分组，然后再对这些句进行热度统计，主要是分组处理，分句仅仅是按照标点符号做了下拆分，在代码说明中可以替换下就可以了。

2.1 完整代码

完整代码，有需要的朋友可以直接拿走，不想看代码介绍的，可以直接拿走执行就行。

import jieba.posseg as pseg
import jieba.analyse
import xlwt  # 写入Excel表的库
import pandas as pd
from gensim import corpora, models, similarities
import re
#停词函数
def StopWordsList(filepath):wlst = [w.strip() for w in open(filepath, 'r', encoding='utf8').readlines()]return wlst
def str_to_hex(s):return ''.join([hex(ord(c)).replace('0x', '') for c in s])
# jieba分词
def seg_sentence(sentence, stop_words):stop_flag = ['x', 'c', 'u', 'd', 'p', 't', 'uj', 'f', 'r']sentence_seged = pseg.cut(sentence)outstr = []for word, flag in sentence_seged:if word not in stop_words and flag not in stop_flag:outstr.append(word)return outstr
if __name__ == '__main__':# 1 这些是jieba分词的自定义词典，软件老王这里添加的格式行业术语，格式就是文档，一列一个词一行就行了，# 这个几个词典软件老王就不上传了，可注释掉。jieba.load_userdict("g1.txt")jieba.load_userdict("g2.txt")jieba.load_userdict("g3.txt")# 2 停用词，简单理解就是这次词不分割，这个软件老王找的网上通用的。spPath = 'stop.txt'stop_words = StopWordsList(spPath)# 3 excel处理wbk = xlwt.Workbook(encoding='ascii')sheet = wbk.add_sheet("软件老王sheet")  # sheet名称sheet.write(0, 0, '软件老王1-类别')sheet.write(0, 1, '软件老王2-原因')sheet.write(0, 2, '软件老王3-统计数量')sheet.write(0, 3, '导航-链接到明细sheet表')inputfile = '软件老王-source2.xlsx'data = pd.read_excel(inputfile)  # 读取数据grp1 = data.groupby('类别')rcount = 1for name, group in grp1:print(grp1)texts = []orig_txt = []key_list = []name_list = []sheet_list = []name = name.replace('\n', '').replace('/', '')for i in range(len(group)):row = group.iloc[i].valuescell = row[1]if cell is None:continueif not isinstance(cell, str):continueitem = cell.strip('\n\r').split('\t')string = item[0]if string is None or len(string) == 0:continueelse:textstr = seg_sentence(string, stop_words)texts.append(textstr)orig_txt.append(string)# 4 相似性处理dictionary = corpora.Dictionary(texts)feature_cnt = len(dictionary.token2id.keys())corpus = [dictionary.doc2bow(text) for text in texts]tfidf = models.LsiModel(corpus)index = similarities.SparseMatrixSimilarity(tfidf[corpus], num_features=feature_cnt)result_lt = []word_dict = {}count =0for keyword in orig_txt:count = count+1print('开始执行，第'+ str(count)+'行')if keyword in result_lt or keyword is None or len(keyword) == 0:continuekw_vector = dictionary.doc2bow(seg_sentence(keyword, stop_words))sim = index[tfidf[kw_vector]]result_list = []for i in range(len(sim)):if sim[i] > 0.5:if orig_txt[i] in result_lt and orig_txt[i] not in result_list:continueresult_list.append(orig_txt[i])result_lt.append(orig_txt[i])if len(result_list) >0:word_dict[keyword] = len(result_list)if len(result_list) >= 1:name = name.strip('\n\r').replace('\n', '').replace('/', '').replace('，', '').replace('。', '').replace('*', '')name = re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])", "", name)sname = name[0:10] + '_' + re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])", "", keyword[0:10])+ '_'\+ str(len(result_list)+ len(str_to_hex(keyword))) + str_to_hex(keyword)[-5:]sheet_t = wbk.add_sheet(sname)  # Excel单元格名字for i in range(len(result_list)):sheet_t.write(i, 0, label=result_list[i])# 5 按照热度排序 -软件老王with open("rjlw.txt", 'w', encoding='utf-8') as wf2:  # 打开文件orderList = list(word_dict.values())orderList.sort(reverse=True)count = len(orderList)for i in range(count):for key in word_dict:if word_dict[key] == orderList[i]:key_list.append(key)name_list.append(name)word_dict[key] = 0wf2.truncate()# 6 写入目标excelfor i in range(len(key_list)):sheet.write(i+rcount, 0, label=name_list[i])sheet.write(i+rcount, 1, label=key_list[i])sheet.write(i+rcount, 2, label=orderList[i])if orderList[i] >= 1:shname = name_list[i][0:10] + '_' + re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])", "", key_list[i][0:10]) \+ '_'+ str(orderList[i]+ len(str_to_hex(key_list[i])))+ str_to_hex(key_list[i])[-5:]link = 'HYPERLINK("#%s!A1";"%s")' % (shname, shname)sheet.write(i+rcount, 3, xlwt.Formula(link))rcount = rcount + len(key_list)key_list = []name_list = []orderList = []texts = []orig_txt = []sheet_list =[]wbk.save('软件老王-target2.xls')

2.2 代码说明

以上的代码中有很明确的注释就不再一一介绍了，重点说几个。

（1）分组处理跟文本相似性热度统计算法实现（一）-整句热度统计相似，不同的是首先按照某一列做了分组处理，然后进行相似性统计，相似性这块一样，其实不同的主要是excel处理这块的内容。

（2）excle分组用的是pandas包，python中excel数据分组处理。

（3）关于需求2，分组分句，代码如下：

 for i in range(len(group)):row = group.iloc[i].values cell = row[1]if cell is None:continueif not isinstance(cell, str):continueitem = cell.strip('\n\r').split('\t') string = item[0]#软件老王，这里按照标点符号对原因进行拆分，然后再进行处理。lt = re.split('，|。|！|？', string)for t in lt:if t is None or t.strip() == '' or len(t.strip()) == 0:continueelse:textstr = seg_sentence(t, stop_words)texts.append(textstr)orig_txt.append(t)

2.3 效果图

（1）软件老王-source2.xlsx

类别	原因
软件老王1	主机不能加电
软件老王1	有时不能加电
软件老王1	开机加电
软件老王2	自检报错或死机
软件老王2	机器噪音大
软件老王3	噪音问题
软件老王1	噪音太大
软件老王1	噪音噪声
软件老王1	声音太大
软件老王2	声音太大
软件老王3	声音太大

（2）软件老王-target2.xls

软件老王1-类别	软件老王2-原因	软件老王3-统计数量	导航-链接到明细sheet表
软件老王1	主机不能加电	3	软件老王1_主机不能加电_2707535
软件老王1	噪音太大	2	软件老王1_噪音太大_18a5927
软件老王1	声音太大	1	软件老王1_声音太大_17a5927
软件老王2	自检报错或死机	1	软件老王2_自检报错或死机_29b673a
软件老王2	机器噪音大	1	软件老王2_机器噪音大_2135927
软件老王2	声音太大	1	软件老王2_声音太大_17a5927
软件老王3	噪音问题	1	软件老王3_噪音问题_17e9898
软件老王3	声音太大	1	软件老王3_声音太大_17a5927

（3）简单说明

从数据中可以看出来，例如：声音太大，分属三类，首先分类，然后再比对相似性。

更多知识请关注公众号：「软件老王」，IT技术与相关干货分享，回复关键字获取对应干货，java，送必看的10本“武功秘籍”；图片，送100多万张可商用高清图片；面试，送刚毕业就能月薪“20k”的java面试题，后续不断更新中，比如“软考”、“工具”等，已经在整理中。