我需要一串代码,首先剔除停用词stopwordlist添加词表add_word_list,用jieba对一个policy.txt文本进行分词,题词所有除中文外的标点符号,最后生成一个名为data_set的新的文档

时间: 2024-09-18 10:18:34 浏览: 137
你可以使用下面的Python代码来完成这个任务,这里我将使用jieba分词库和NLTK库的停用词表: ```python import jieba from jieba.analyse import extract_tags from nltk.corpus import stopwords import string # 定义停用词和自定义词表 stopwordlist = set(stopwords.words('chinese')) # 加载默认的中文停用词 add_word_list = ['自定义词1', '自定义词2'] # 添加额外的词 stopwordlist.update(add_word_list) # 将自定义词加入停用词表 # 文件操作 with open('policy.txt', 'r', encoding='utf-8') as f: text = f.read() # 分词并去除标点符号 tokens = [char for char in text if char not in string.punctuation] tokens = [token for token in tokens if token not in stopwordlist] # 提取关键词 tags = extract_tags(text) # 将结果写入新的文档data_set.txt with open('data_set.txt', 'w', encoding='utf-8') as f: for tag in tags: f.write(tag + '\n') for token in tokens: f.write(token + '\n') ``` 这段代码首先加载了中文停用词表并添加了自定义词。然后,从`policy.txt`文件中读取文本,使用jieba分词并去掉非汉字的标点符号,接着提取关键字并过滤掉停用词。最后,将处理后的关键词和词汇写入名为`data_set.txt`的新文档中。
阅读全文

相关推荐

import pandas as pd import jieba from wordcloud import WordCloud import matplotlib.pyplot as plt from PIL import Image # 读取中间表数据并提取读者ID和图书ID列 df = pd.read_excel('中间表.xlsx') reader_ids = df['读者ID'] book_ids = df['图书ID'] # 根据读者ID和图书ID关联读者信息和图书目录,得到每个读者借阅的图书的书名 readers_info = pd.read_excel('读者信息.xlsx') books_catalog = pd.read_excel('图书目录.xlsx') books_borrowed = books_catalog[books_catalog['图书ID'].isin(book_ids)] borrowed_books_names = books_borrowed['书名'] # 使用jieba进行中文分词 split_words = [] for book_name in borrowed_books_names: words = jieba.lcut(book_name) split_words.extend(words) # 加载停用词表并进行停用词过滤 stop_words_files = ['停用词表1.txt', '停用词表2.txt', '停用词表3.txt'] stop_words = set() for stop_words_file in stop_words_files: with open(stop_words_file, 'r', encoding='utf-8') as f: stop_words |= set(f.read().splitlines()) filtered_words = [word for word in split_words if word not in stop_words] # 加载篮球形状图片并生成词云图 basketball_mask = np.array(Image.open('basketball.png')) wordcloud = WordCloud(font_path='simhei.ttf', background_color='white', mask=basketball_mask).generate(' '.join(filtered_words)) plt.imshow(wordcloud, interpolation='bilinear') plt.axis('off') plt.show() # 获取词频最高的前10个词语 word_counts = pd.Series(filtered_words).value_counts() top_10_words = word_counts.head(10).index.tolist() print("该专业师生最迫切需要学习的知识:", top_10_words)

import jieba import math import re from collections import Counter # 读入两个txt文件存入s1,s2字符串中 s1 = open('1.txt', 'r').read() s2 = open('2.txt', 'r').read() # 利用jieba分词与停用词表,将词分好并保存到向量中 stopwords = [] fstop = open('stopwords.txt', 'r', encoding='utf-8') for eachWord in fstop: eachWord = re.sub("\n", "", eachWord) stopwords.append(eachWord) fstop.close() s1_cut = [i for i in jieba.cut(s1, cut_all=True) if (i not in stopwords) and i != ''] s2_cut = [i for i in jieba.cut(s2, cut_all=True) if (i not in stopwords) and i != ''] # 使用TF-IDF算法调整词频向量中每个词的权重 def get_tf_idf(word, cut_list, cut_code_list, doc_num): tf = cut_list.count(word) df = sum(1 for cut_code in cut_code_list if word in cut_code) idf = math.log(doc_num / df) return tf * idf word_set = list(set(s1_cut).union(set(s2_cut))) doc_num = 2 # 计算TF-IDF值并保存到向量中 s1_cut_tfidf = [get_tf_idf(word, s1_cut, [s1_cut, s2_cut], doc_num) for word in word_set] s2_cut_tfidf = [get_tf_idf(word, s2_cut, [s1_cut, s2_cut], doc_num) for word in word_set] # 获取TF-IDF值最高的前k个词 k = 10 s1_cut_topk = [word_set[i] for i in sorted(range(len(s1_cut_tfidf)), key=lambda x: s1_cut_tfidf[x], reverse=True)[:k]] s2_cut_topk = [word_set[i] for i in sorted(range(len(s2_cut_tfidf)), key=lambda x: s2_cut_tfidf[x], reverse=True)[:k]] # 使用前k个高频词的词频向量计算余弦相似度 s1_cut_code = [s1_cut.count(word) for word in s1_cut_topk] s2_cut_code = [s2_cut.count(word) for word in s2_cut_topk] sum = 0 sq1 = 0 sq2 = 0 for i in range(len(s1_cut_code)): sum += s1_cut_code[i] * s2_cut_code[i] sq1 += pow(s1_cut_code[i], 2) sq2 += pow(s2_cut_code[i], 2) try: result = round(float(sum) / (math.sqrt(sq1) * math.sqrt(sq2)), 3) except ZeroDivisionError: result = 0.0 print("\n余弦相似度为:%f" % result)

def Stop_words(): stopword = [] data = [] f = open('C:/Users/Administrator/Desktop/data/stopword.txt',encoding='utf8') for line in f.readlines(): data.append(line) for i in data: output = str(i).replace('\n','')#replace用法和sub函数很接近 stopword.append(output) return stopword # 采用jieba进行词性标注,对当前文档过滤词性和停用词 def Filter_word(text): filter_word = [] stopword = Stop_words() text = jieba.posseg.cut(text) for word, flag in text: if flag.startswith('n') is False:#用于检测字符串是否以指定的子字符串开始 continue if not word in stopword and len(word) > 1: filter_word.append(word) return filter_word # 对文档集过滤词性和停用词 def Filter_words(data_path =r'C:/Users/Administrator/Desktop/data//corpus.txt'): document = [] for line in open(data_path, 'r',encoding= 'utf8') : segment = jieba.posseg.cut(line.strip()) filter_words = [] stopword = Stop_words() for word, flag in segment: if flag.startswith('n') is False: continue if not word in stopword and len(word) > 1: filter_words.append(word) document.append(filter_words) return document def tf_idf(): tf_dict = {} idf_dict = {} filter_word = Filter_word(text) for word in filter_word: if word not in tf_dict: tf_dict[word] = 1 else: tf_dict[word] += 1 for word in tf_dict: tf_dict[word] = tf_dict[word] / len(text) document = Filter_words() doc_total = len(document) for doc in document: for word in set(doc): if word not in idf_dict: idf_dict[word] = 1 else: idf_dict[word] += 1 for word in idf_dict: idf_dict[word] = math.log(doc_total / (idf_dict[word] + 1)) tf_idf_dict = {} for word in filter_word: if word not in idf_dict: idf_dict[word] = 0 tf_idf_dict[word] = tf_dict[word] * idf_dict[word] return tf_idf_dict tf_idf_dict = tf_idf() keyword = 6 print('TF-IDF模型结果:') for key, value in sorted(tf_idf_dict.items(), key=operator.itemgetter(1),reverse=True)[:keyword]: print(key, end=' ') print('\n')

最新推荐

recommend-type

python使用jieba实现中文分词去停用词方法示例

在Python中处理中文文本时,jieba库是一个非常重要的工具,尤其对于中文分词任务。jieba是一个开源的Python库,专门设计用于处理中文文本,它提供了简单易用的接口和高效的操作方式。本文将详细介绍如何使用jieba库...
recommend-type

AWL(academic-word-list)-学术词汇表.doc

《学术词汇表》(AWL, Academic Word List)是一份重要的英语学习资源,专为提升学术英语能力而设计。这份文档包含了40页的内容,经过精心校对,适合打印出来作为学习材料。AWL分为10个小类,即sublists,每个...
recommend-type

mozillazg_python-pinyin_1741402107.zip

python学习资源
recommend-type

jfinal-undertow 用于开发、部署由 jfinal 开发的 web 项目

jfinal-undertow 用于开发、部署由 jfinal 开发的 web 项目
recommend-type

基于Andorid的音乐播放器项目设计(国外开源).zip

基于Andorid的音乐播放器项目设计(国外开源)实现源码,主要针对计算机相关专业的正在做毕设的学生和需要项目实战练习的学习者,也可作为课程设计、期末大作业。
recommend-type

Cyclone IV硬件配置详细文档解析

Cyclone IV是Altera公司(现为英特尔旗下公司)的一款可编程逻辑设备,属于Cyclone系列FPGA(现场可编程门阵列)的一部分。作为硬件设计师,全面了解Cyclone IV配置文档至关重要,因为这直接影响到硬件设计的成功与否。配置文档通常会涵盖器件的详细架构、特性和配置方法,是设计过程中的关键参考材料。 首先,Cyclone IV FPGA拥有灵活的逻辑单元、存储器块和DSP(数字信号处理)模块,这些是设计高效能、低功耗的电子系统的基石。Cyclone IV系列包括了Cyclone IV GX和Cyclone IV E两个子系列,它们在特性上各有侧重,适用于不同应用场景。 在阅读Cyclone IV配置文档时,以下知识点需要重点关注: 1. 设备架构与逻辑资源: - 逻辑单元(LE):这是构成FPGA逻辑功能的基本单元,可以配置成组合逻辑和时序逻辑。 - 嵌入式存储器:包括M9K(9K比特)和M144K(144K比特)两种大小的块式存储器,适用于数据缓存、FIFO缓冲区和小规模RAM。 - DSP模块:提供乘法器和累加器,用于实现数字信号处理的算法,比如卷积、滤波等。 - PLL和时钟网络:时钟管理对性能和功耗至关重要,Cyclone IV提供了可配置的PLL以生成高质量的时钟信号。 2. 配置与编程: - 配置模式:文档会介绍多种配置模式,如AS(主动串行)、PS(被动串行)、JTAG配置等。 - 配置文件:在编程之前必须准备好适合的配置文件,该文件通常由Quartus II等软件生成。 - 非易失性存储器配置:Cyclone IV FPGA可使用非易失性存储器进行配置,这些配置在断电后不会丢失。 3. 性能与功耗: - 性能参数:配置文档将详细说明该系列FPGA的最大工作频率、输入输出延迟等性能指标。 - 功耗管理:Cyclone IV采用40nm工艺,提供了多级节能措施。在设计时需要考虑静态和动态功耗,以及如何利用各种低功耗模式。 4. 输入输出接口: - I/O标准:支持多种I/O标准,如LVCMOS、LVTTL、HSTL等,文档会说明如何选择和配置适合的I/O标准。 - I/O引脚:每个引脚的多功能性也是重要考虑点,文档会详细解释如何根据设计需求进行引脚分配和配置。 5. 软件工具与开发支持: - Quartus II软件:这是设计和配置Cyclone IV FPGA的主要软件工具,文档会介绍如何使用该软件进行项目设置、编译、仿真以及调试。 - 硬件支持:除了软件工具,文档还可能包含有关Cyclone IV开发套件和评估板的信息,这些硬件平台可以加速产品原型开发和测试。 6. 应用案例和设计示例: - 实际应用:文档中可能包含针对特定应用的案例研究,如视频处理、通信接口、高速接口等。 - 设计示例:为了降低设计难度,文档可能会提供一些设计示例,它们可以帮助设计者快速掌握如何使用Cyclone IV FPGA的各项特性。 由于文件列表中包含了三个具体的PDF文件,它们可能分别是针对Cyclone IV FPGA系列不同子型号的特定配置指南,或者是覆盖了特定的设计主题,例如“cyiv-51010.pdf”可能包含了针对Cyclone IV E型号的详细配置信息,“cyiv-5v1.pdf”可能是版本1的配置文档,“cyiv-51008.pdf”可能是关于Cyclone IV GX型号的配置指导。为获得完整的技术细节,硬件设计师应当仔细阅读这三个文件,并结合产品手册和用户指南。 以上信息是Cyclone IV FPGA配置文档的主要知识点,系统地掌握这些内容对于完成高效的设计至关重要。硬件设计师必须深入理解文档内容,并将其应用到实际的设计过程中,以确保最终产品符合预期性能和功能要求。
recommend-type

【WinCC与Excel集成秘籍】:轻松搭建数据交互桥梁(必读指南)

# 摘要 本论文深入探讨了WinCC与Excel集成的基础概念、理论基础和实践操作,并进一步分析了高级应用以及实际案例。在理论部分,文章详细阐述了集成的必要性和优势,介绍了基于OPC的通信机制及不同的数据交互模式,包括DDE技术、VBA应用和OLE DB数据访问方法。实践操作章节中,着重讲解了实现通信的具体步骤,包括DDE通信、VBA的使
recommend-type

华为模拟互联地址配置

### 配置华为设备模拟互联网IP地址 #### 一、进入接口配置模式并分配IP地址 为了使华为设备能够模拟互联网连接,需先为指定的物理或逻辑接口设置有效的公网IP地址。这通常是在广域网(WAN)侧执行的操作。 ```shell [Huawei]interface GigabitEthernet 0/0/0 # 进入特定接口配置视图[^3] [Huawei-GigabitEthernet0/0/0]ip address X.X.X.X Y.Y.Y.Y # 设置IP地址及其子网掩码,其中X代表具体的IPv4地址,Y表示对应的子网掩码位数 ``` 这里的`GigabitEth
recommend-type

Java游戏开发简易实现与地图控制教程

标题和描述中提到的知识点主要是关于使用Java语言实现一个简单的游戏,并且重点在于游戏地图的控制。在游戏开发中,地图控制是基础而重要的部分,它涉及到游戏世界的设计、玩家的移动、视图的显示等等。接下来,我们将详细探讨Java在游戏开发中地图控制的相关知识点。 1. Java游戏开发基础 Java是一种广泛用于企业级应用和Android应用开发的编程语言,但它的应用范围也包括游戏开发。Java游戏开发主要通过Java SE平台实现,也可以通过Java ME针对移动设备开发。使用Java进行游戏开发,可以利用Java提供的丰富API、跨平台特性以及强大的图形和声音处理能力。 2. 游戏循环 游戏循环是游戏开发中的核心概念,它控制游戏的每一帧(frame)更新。在Java中实现游戏循环一般会使用一个while或for循环,不断地进行游戏状态的更新和渲染。游戏循环的效率直接影响游戏的流畅度。 3. 地图控制 游戏中的地图控制包括地图的加载、显示以及玩家在地图上的移动控制。Java游戏地图通常由一系列的图像层构成,比如背景层、地面层、对象层等,这些图层需要根据游戏逻辑进行加载和切换。 4. 视图管理 视图管理是指游戏世界中,玩家能看到的部分。在地图控制中,视图通常是指玩家的视野,它需要根据玩家位置动态更新,确保玩家看到的是当前相关场景。使用Java实现视图管理时,可以使用Java的AWT和Swing库来创建窗口和绘制图形。 5. 事件处理 Java游戏开发中的事件处理机制允许对玩家的输入进行响应。例如,当玩家按下键盘上的某个键或者移动鼠标时,游戏需要响应这些事件,并更新游戏状态,如移动玩家角色或执行其他相关操作。 6. 游戏开发工具 虽然Java提供了强大的开发环境,但通常为了提升开发效率和方便管理游戏资源,开发者会使用一些专门的游戏开发框架或工具。常见的Java游戏开发框架有LibGDX、LWJGL(轻量级Java游戏库)等。 7. 游戏地图的编程实现 在编程实现游戏地图时,通常需要以下几个步骤: - 定义地图结构:包括地图的大小、图块(Tile)的尺寸、地图层级等。 - 加载地图数据:从文件(如图片或自定义的地图文件)中加载地图数据。 - 地图渲染:在屏幕上绘制地图,可能需要对地图进行平滑滚动(scrolling)、缩放(scaling)等操作。 - 碰撞检测:判断玩家或其他游戏对象是否与地图中的特定对象发生碰撞,以决定是否阻止移动等。 - 地图切换:实现不同地图间的切换逻辑。 8. JavaTest01示例 虽然提供的信息中没有具体文件内容,但假设"javaTest01"是Java项目或源代码文件的名称。在这样的示例中,"javaTest01"可能包含了一个或多个类(Class),这些类中包含了实现地图控制逻辑的主要代码。例如,可能存在一个名为GameMap的类负责加载和渲染地图,另一个类GameController负责处理游戏循环和玩家输入等。 通过上述知识点,我们可以看出实现一个简单的Java游戏地图控制不仅需要对Java语言有深入理解,还需要掌握游戏开发相关的概念和技巧。在具体开发过程中,还需要参考相关文档和API,以及可能使用的游戏开发框架和工具的使用指南。
recommend-type

【超市销售数据深度分析】:从数据库挖掘商业价值的必经之路

# 摘要 本文全面探讨了超市销售数据分析的方法与应用,从数据的准备、预处理到探索性数据分析,再到销售预测与市场分析,最后介绍高级数据分析技术在销售领域的应用。通过详细的章节阐述,本文着重于数据收集、清洗、转换、可视化和关联规则挖掘等关键步骤。