快捷導(dǎo)航

python TF-IDF算法實現(xiàn)文本關(guān)鍵詞提取

更新時間：2019年05月29日 15:05:41 作者：lalalawxt

這篇文章主要為大家詳細(xì)介紹了python TF-IDF算法實現(xiàn)文本關(guān)鍵詞提取，具有一定的參考價值，感興趣的小伙伴們可以參考一下

TF（Term Frequency）詞頻，在文章中出現(xiàn)次數(shù)最多的詞，然而文章中出現(xiàn)次數(shù)較多的詞并不一定就是關(guān)鍵詞，比如常見的對文章本身并沒有多大意義的停用詞。所以我們需要一個重要性調(diào)整系數(shù)來衡量一個詞是不是常見詞。該權(quán)重為IDF（Inverse Document Frequency）逆文檔頻率，它的大小與一個詞的常見程度成反比。在我們得到詞頻（TF）和逆文檔頻率（IDF）以后，將兩個值相乘，即可得到一個詞的TF-IDF值，某個詞對文章的重要性越高，其TF-IDF值就越大，所以排在最前面的幾個詞就是文章的關(guān)鍵詞。

TF-IDF算法的優(yōu)點是簡單快速，結(jié)果比較符合實際情況，但是單純以“詞頻”衡量一個詞的重要性，不夠全面，有時候重要的詞可能出現(xiàn)的次數(shù)并不多，而且這種算法無法體現(xiàn)詞的位置信息，出現(xiàn)位置靠前的詞和出現(xiàn)位置靠后的詞，都被視為同樣重要，是不合理的。

TF-IDF算法步驟：

（1）、計算詞頻：

詞頻 = 某個詞在文章中出現(xiàn)的次數(shù)

考慮到文章有長短之分，考慮到不同文章之間的比較，將詞頻進(jìn)行標(biāo)準(zhǔn)化

詞頻 = 某個詞在文章中出現(xiàn)的次數(shù)/文章的總詞數(shù)

詞頻 = 某個詞在文章中出現(xiàn)的次數(shù)/該文出現(xiàn)次數(shù)最多的詞出現(xiàn)的次數(shù)

（2）、計算逆文檔頻率

需要一個語料庫（corpus）來模擬語言的使用環(huán)境。

逆文檔頻率 = log(語料庫的文檔總數(shù)/(包含該詞的文檔數(shù) + 1))

（3）、計算TF-IDF

TF-IDF = 詞頻（TF）* 逆文檔頻率（IDF）

詳細(xì)代碼如下：

#!/usr/bin/env python
#-*- coding:utf-8 -*-
 
'''
計算文檔的TF-IDF
'''
import codecs
import os
import math
import shutil
 
#讀取文本文件
def readtxt(path):
 with codecs.open(path,"r",encoding="utf-8") as f:
  content = f.read().strip()
 return content
 
#統(tǒng)計詞頻
def count_word(content):
 word_dic ={}
 words_list = content.split("/")
 del_word = ["\r\n","/s"," ","/n"]
 for word in words_list:
  if word not in del_word:
   if word in word_dic:
    word_dic[word] = word_dic[word]+1
   else:
    word_dic[word] = 1
 return word_dic
 
#遍歷文件夾
def funfolder(path):
 filesArray = []
 for root,dirs,files in os.walk(path):
  for file in files:
   each_file = str(root+"http://"+file)
   filesArray.append(each_file)
 return filesArray
 
 
#計算TF-IDF
def count_tfidf(word_dic,words_dic,files_Array):
 word_idf={}
 word_tfidf = {}
 num_files = len(files_Array)
 for word in word_dic:
  for words in words_dic:
   if word in words:
    if word in word_idf:
     word_idf[word] = word_idf[word] + 1
    else:
     word_idf[word] = 1
 for key,value in word_dic.items():
  if key !=" ":
   word_tfidf[key] = value * math.log(num_files/(word_idf[key]+1))
 
 #降序排序
 values_list = sorted(word_tfidf.items(),key = lambda item:item[1],reverse=True)
 return values_list
 
#新建文件夾
def buildfolder(path):
 if os.path.exists(path):
  shutil.rmtree(path)
 os.makedirs(path)
 print("成功創(chuàng)建文件夾！")
 
#寫入文件
def out_file(path,content_list):
 with codecs.open(path,"a",encoding="utf-8") as f:
  for content in content_list:
   f.write(str(content[0]) + ":" + str(content[1])+"\r\n")
 print("well done!")
 
def main():
 #遍歷文件夾
 folder_path = r"分詞結(jié)果"
 files_array = funfolder(folder_path)
 #生成語料庫
 files_dic = []
 for file_path in files_array:
  file = readtxt(file_path)
  word_dic = count_word(file)
  files_dic.append(word_dic)
 #新建文件夾
 new_folder = r"tfidf計算結(jié)果"
 buildfolder(new_folder)
 
 #計算tf-idf,并將結(jié)果存入txt
 i=0
 for file in files_dic:
  tf_idf = count_tfidf(file,files_dic,files_array)
  files_path = files_array[i].split("http://")
  #print(files_path)
  outfile_name = files_path[1]
  #print(outfile_name)
  out_path = r"%s//%s_tfidf.txt"%(new_folder,outfile_name)
  out_file(out_path,tf_idf)
  i=i+1
 
if __name__ == '__main__':
 main()

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: