09-4-文本聚类实战:用K-means对豆瓣读书数据聚类_第1页
09-4-文本聚类实战:用K-means对豆瓣读书数据聚类_第2页
09-4-文本聚类实战:用K-means对豆瓣读书数据聚类_第3页
09-4-文本聚类实战:用K-means对豆瓣读书数据聚类_第4页
09-4-文本聚类实战:用K-means对豆瓣读书数据聚类_第5页
已阅读5页,还剩9页未读 继续免费阅读

下载本文档

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

评论

0/150

提交评论