用python写一个算法实现知识的提取与合并

以下是一个简单的Python程序，实现了基于TF-IDF算法的文本聚类和关键词提取。该算法可以用来将多篇文本数据聚类为不同的主题，并提取每个主题的关键词。

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.cluster import KMeans

# 读取文本数据
docs = pd.read_csv('docs.csv', index_col=0, header=None, names=['text'])

# 使用TF-IDF算法提取文本特征
vectorizer = TfidfVectorizer(stop_words='english')
X = vectorizer.fit_transform(docs['text'])

# 使用K-means算法将文本聚类为不同的主题
k = 5
kmeans = KMeans(n_clusters=k)
clusters = kmeans.fit_predict(X)

# 输出每个主题的关键词
for i in range(k):
    cluster_docs = docs.iloc[clusters == i]
    tfidf = vectorizer.fit_transform(cluster_docs['text'])
    scores = tfidf.sum(axis=0)
    top_keywords = sorted(zip(vectorizer.get_feature_names(), scores.tolist()[0]), key=lambda x: x[1], reverse=True)[:10]
    print(f'Cluster {i}:')
    print([w for w, s in top_keywords])

在这个例子中，我们首先读取了一个包含多篇文本的CSV文件，并使用TF-IDF算法提取了文本数据的特征向量。接着，我们使用K-means算法将文本数据聚类为5个主题。最后，对于每个主题，我们使用TF-IDF算法计算了每个词在主题中的重要程度，并选取了重要程度最高的10个词作为关键词输出。

需要注意的是，这个例子只是一个简单的示例，实际应用中需要根据具体的任务和数据进行调整和优化。