使用sklearn+jieba分词写的文本分类

结巴分词是对中文语言进行处理的一个Python模块

import jieba
luca = jieba.cut('遇见你真的是太好了')
print(list(luca))#直接使用jieba.cut()返回的不是列表,需要用list()或set(),''.join()等方式输出,或使用jieba.lcut()

import jieba.analyse
for x, w in jieba.analyse.extract_tags(text):#可以再添加一个参数指定输出个数
    print(x, w)#直接输出关键词和词频

jieba分词的这个函数返回的高频词效果不太理想,在实际中我没使用它,事实上也没使用analyse的停词方法,而是手动进行了停词处理

def rm_char1(text1):
    text1 = re.sub('\u3000', '', text1)    
    return text1
    
def rm_char2(text2):
    text2 = re.sub('\xa0', '', text2)
    return text2

def get_stop_words():
    # stop_words中,每行放一个停用词,以\n分隔
    with open('F:\jieba\stop_words.txt','r', encoding = 'utf8') as f:
        file = f.read().split('\n')
    return set(file)

def rm_tokens(words): # 去掉一些停用词和数字
    words_list = list(words)
    stop_words = get_stop_words()
    for i in range(words_list.__len__())[::-1]:
        if words_list[i] in stop_words: # 去除停用词
            words_list.pop(i)
        elif words_list[i].isdigit():
            words_list.pop(i)
    return words_list

def convert_text_to_wordlist(str_doc):
    # 分词的主要方法
    sent_list = str_doc.split('\n')
    sent_list = map(rm_char1, sent_list) # 去掉一些字符,例如\u3000
    sent_list = map(rm_char2, sent_list) # 去掉\xa0
    word_2dlist = [rm_tokens(jieba.cut(part)) for part in sent_list] # 分词
    word_list = sum(word_2dlist,[])
    return word_list

使用的话直接

luca = convert_text_to_wordlist('遇见你真的是太好了')
import jieba
import jieba.analyse
import csv
from sklearn import feature_extraction  

def get_dataset():
    data, targetdata = [], []
    with open('D:\datatrain.csv',  'r', encoding='gb18030') as file:
        f = csv.reader(file)
        for line in f:
            seglist = jieba.cut(line[2])
            words = ' '.join(seglist)
            data.append(words)
            targetdata.append(1) if 'T' in line[1] or 't' in line[1] else targetdata.append(0)
    return data,targetdata
def get_testset():
    testdata, targettest = [], []
    with open('D:\datatest.csv', 'r',encoding='gb18030') as file:
        f = csv.reader(file)
        for line in f:
            seglist = jieba.cut(line[2])
            words = ' '.join(seglist)
            testdata.append(words)
            targettest.append(1) if 'T' in line[1] or 't' in line[1] else targettest.append(0)
    return testdata, targettest

from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn import svm

def data_pro():
    data_,target_train = get_dataset()
    testdata, target_test = get_testset()
    
    v = TfidfVectorizer()
    train_data = v.fit_transform(data_)
    test_data = v.transform(testdata)
    
    return train_data, test_data

datapro()   
clf = MultinomialNB(alpha=0.01)  
clf.fit(train_data,target_train)   
pred = clf.predict(testdata)
'''#辣鸡不如Naive bayes
svc = svm.SVC(kernel='linear')  
svc.fit(train_data,target_train)   
pred = svc.predict(testdata) 
'''
count=0
for l,r in zip(pred, target_test):
    if l == r:
        count +=1
print(count/len(target_test))#输出正确率
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,214评论 6 481
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,307评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 152,543评论 0 341
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,221评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,224评论 5 371
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,007评论 1 284
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,313评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,956评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,441评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,925评论 2 323
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,018评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,685评论 4 322
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,234评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,240评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,464评论 1 261
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,467评论 2 352
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,762评论 2 345

推荐阅读更多精彩内容

  • 常用概念: 自然语言处理(NLP) 数据挖掘 推荐算法 用户画像 知识图谱 信息检索 文本分类 常用技术: 词级别...
    御风之星阅读 9,152评论 1 25
  • 关键词:windows平台下jieba安装、三种模式比较、自定义词典、停用词语料、词频统计、词云生成 jieba简...
    秋灯锁忆阅读 4,400评论 0 2
  • 以下内容都是在工作中的一些小实践,代码部分是参考网上的已有的然后再自行根据情况修改过的。记载主要是想以后用的时候可...
    H2016阅读 2,488评论 0 7
  • 人生 有些东西是碰不得的 即将愈合的伤口 要学会温柔对待 一味的触碰 只会让它旧伤复发 应该忘却的感情 就让往事随...
    杨安夏阅读 201评论 0 0
  • 晚上多宝跟着奶奶出去公园散步回来……我洗完澡在房间里整理资料,多宝跟着奶奶两个人坐在地上玩木头,多宝轻声的问:奶奶...
    金晶花阅读 431评论 0 0