版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
机器学习与自然语言处理Python自然语言处理第十章课前回顾读取数据分词以及停用词过滤模型训练与预测评估指标文本聚类实战:用K-means对豆瓣读书数据聚类04代码实现流程本章小结实现代码数据源data.csv:实现代码代码组织:-clustering.py:数据读取、聚类以及结果展示-data_loader.py:读取停用词列表-data_processing.py:数据清洗以及数据集转化实现代码DATA_DIR=data_loader.DATA_DIRstopwords=data_loader.get_stopwords(DATA_DIR)book_data=pd.read_csv(DATA_DIR+"/data.csv")book_titles=book_data['title'].tolist()book_content=book_data['content'].tolist()norm_book_content=data_processing.norm_corpus(book_content,stopwords)feature_matrix,_,vectorizer=data_processing.convert_data(norm_book_content,[""],CountVectorizer())
clustering.py数据格式转换实现代码print(book_data.iloc[0],'\n')#查看特征数量print("数据集维度:",feature_matrix.shape)print("部分词特征:\n",vectorizer.get_feature_names()[-10:])
clustering.py打印实现代码defget_cluster_data(clustering_obj,book_data,feature_names,num_clusters,topn_features=10):cluster_details={}ordered_centroids=clustering_obj.cluster_centers_.argsort()[:,::-1]
forcluster_numinrange(num_clusters):cluster_details[cluster_num]={}cluster_details[cluster_num]['cluster_num']=cluster_numkey_features=[feature_names[index]forindexinordered_centroids[cluster_num,:topn_features]]cluster_details[cluster_num]['key_features']=key_featuresbooks=book_data[book_data['Cluster']==cluster_num]['title'].values.tolist()cluster_details[cluster_num]['books']=booksreturncluster_details
clustering.py进行聚类操作实现代码defkmeans_clustering(feature_matrix,num_clusters=10):km=KMeans(n_clusters=num_clusters)#初始化KMeanskm.fit(feature_matrix)#聚类
clusters=km.labels_#获取聚类结果
returnkm,clustersdefprint_cluster_data(cluster_data):#printclusterdetailsforcluster_num,cluster_detailsincluster_data.items():print('Cluster{}details:'.format(cluster_num))print('-'*20)print('Keyfeatures:',cluster_details['key_features'])print('bookinthiscluster:')print("《"+'》,《'.join(cluster_details['books'])+"》")print('='*40)
clustering.py进行聚类操作实现代码num_clusters=10km_obj,clusters=kmeans_clustering(feature_matrix=feature_matrix,num_clusters=num_clusters)book_data['Cluster']=clustersc=Counter(clusters)forcid,countsinsorted(c.items()):print("簇id:{}文档数量:{}".format(cid,counts),end="\n")print("==========\n簇详情:")cluster_data=get_cluster_data(clustering_obj=km_obj,book_data=book_data,feature_names=feature_names,num_clusters=num_clusters,topn_features=5)print_cluster_data(cluster_data)
clustering.py开
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2023-2024学年天津市河西区高一下学期期末质量调查物理试卷(解析版)
- 剪映录制教程课程设计
- 四川省成都市(2024年-2025年小学四年级语文)部编版随堂测试((上下)学期)试卷及答案
- 2024年江西省南昌市南师附小数学六年级第一学期期末质量检测模拟试题含解析
- 2024年湖南省岳阳市港务集团限公司招聘11人高频500题难、易错点模拟试题附带答案详解
- 2024年湖南烟草专卖局招249人考试笔试高频500题难、易错点模拟试题附带答案详解
- 2024年湖南省娄底市双峰县县直事业单位引进高学历(专门)人才32人历年高频500题难、易错点模拟试题附带答案详解
- 2024年湖南湘西永顺县卫生健康事业单位选聘23人历年高频500题难、易错点模拟试题附带答案详解
- 2024年湖南湘乡市招聘事业单位人员招聘高频500题难、易错点模拟试题附带答案详解
- 2024年湖南永州市自然资源和规划勘测事务中心招聘17人历年高频500题难、易错点模拟试题附带答案详解
- 八年级体育与健康上册《篮球(变向滑步变向运球)》教学设计
- 统编版语文四年级上册 第二单元 习作:我的家人 课件
- 苏教版三年级数学上册教案(全册)
- Unit 1 Section B 课件人教版2024七年级英语上册
- 平安保险公司招聘笔试试题及答案
- 家庭教育案件分析报告(3篇模板)
- 2024-2034年中国高固含量丁苯胶乳行业发展监测及投资前景展望报告
- 2024年3月青少年机器人技术等级-二级真题(试题及答案)
- 平面构成(普通高等院校艺术设计专业)全套教学课件
- 学术交流英语(学术写作)智慧树知到期末考试答案章节答案2024年哈尔滨工程大学
- 急诊科安全隐患
评论
0/150
提交评论