快捷導(dǎo)航

Python如何使用k-means方法將列表中相似的句子歸類(lèi)

更新時(shí)間：2019年08月08日 15:25:01 作者：愛(ài)吃橙子的人吖

這篇文章主要介紹了Python如何使用k-means方法將列表中相似的句子聚為一類(lèi),文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下

前言

由于今年暑假在學(xué)習(xí)一些自然語(yǔ)言處理的東西，發(fā)現(xiàn)網(wǎng)上對(duì)k-means的講解不是很清楚，網(wǎng)上大多數(shù)代碼只是將聚類(lèi)結(jié)果以圖片的形式呈現(xiàn)，而不是將聚類(lèi)的結(jié)果表示出來(lái)，于是我將老師給的代碼和網(wǎng)上的代碼結(jié)合了一下，由于網(wǎng)上有許多關(guān)于k-means算法基礎(chǔ)知識(shí)的講解，因此我在這里就不多講解了，想了解詳細(xì)內(nèi)容的，大家可以自行百度，在這里我只把我的代碼給大家展示一下。

k-means方法的缺點(diǎn)是k值需要自己找，大家可以多換換k值，看看結(jié)果會(huì)有什么不同

代碼

# coding: utf-8
import sys
import math
import re
import docx
from sklearn.cluster import AffinityPropagation
import nltk
from nltk.corpus import wordnet as wn
from nltk.collocations import *
import numpy as np
reload(sys)
sys.setdefaultencoding('utf8')
from sklearn.feature_extraction.text import CountVectorizer
#要聚類(lèi)的數(shù)據(jù)
corpus = [
 'This is the first document.',#0
 'This is the second second document.',#1
 'And the third one.',#2
 'Is this the first document?',#3
 'I like reading',#4
 'do you like reading?',#5
 'how funny you are! ',#6
 'he is a good guy',#7
 'she is a beautiful girl',#8
 'who am i',#9
 'i like writing',#10
 'And the first one',#11
 'do you play basketball',#12
]
#將文本中的詞語(yǔ)轉(zhuǎn)換為詞頻矩陣
vectorizer = CountVectorizer()
#計(jì)算個(gè)詞語(yǔ)出現(xiàn)的次數(shù)
X = vectorizer.fit_transform(corpus)#獲取詞袋中所有文本關(guān)鍵詞
word = vectorizer.get_feature_names()
#類(lèi)調(diào)用
transformer = TfidfTransformer()
#將詞頻矩陣X統(tǒng)計(jì)成TF-IDF值
tfidf = transformer.fit_transform(X)
#查看數(shù)據(jù)結(jié)構(gòu) tfidf[i][j]表示i類(lèi)文本中的tf-idf權(quán)重
weight = tfidf.toarray()
# print weight
# kmeans聚類(lèi)
from sklearn.cluster import KMeans
# print data
kmeans = KMeans(n_clusters=5, random_state=0).fit(weight)#k值可以自己設(shè)置，不一定是五類(lèi)
# print kmeans
centroid_list = kmeans.cluster_centers_
labels = kmeans.labels_
n_clusters_ = len(centroid_list)
# print "cluster centroids:",centroid_list
print labels
max_centroid = 0
max_cluster_id = 0
cluster_menmbers_list = []
for i in range(0, n_clusters_):
 menmbers_list = []
 for j in range(0, len(labels)):
  if labels[j] == i:
   menmbers_list.append(j)
 cluster_menmbers_list.append(menmbers_list)
# print cluster_menmbers_list

#聚類(lèi)結(jié)果
for i in range(0,len(cluster_menmbers_list)):
 print '第' + str(i) + '類(lèi)' + '---------------------'
 for j in range(0,len(cluster_menmbers_list[i])):
  a = cluster_menmbers_list[i][j]
  print corpus[a]

運(yùn)行結(jié)果：