自然语言处理分词聚类代码

这是一个简单的中文文本分词和聚类的代码示例，使用了jieba和sklearn库。

import jieba
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.cluster import KMeans

# 读取文本数据
with open('data.txt', 'r', encoding='utf-8') as f:
    data = f.read()

# 分词
words = jieba.cut(data)

# 去除停用词
stop_words = [line.strip() for line in open('stopwords.txt', 'r', encoding='utf-8').readlines()]
filtered_words = [word for word in words if word not in stop_words]

# 转化为文本
corpus = " ".join(filtered_words)

# 提取特征
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform([corpus])

# 聚类
kmeans = KMeans(n_clusters=5)
kmeans.fit(X)

# 输出每个文本所属类别
labels = kmeans.labels_
for i, label in enumerate(labels):
    print("第%d个文本的类别是：%d" % (i+1, label))

其中，`data.txt` 是需要处理的文本数据，`stopwords.txt` 是中文停用词表，`n_clusters` 是需要聚类的数量。