python 文本聚类算法

三体下载
将下载的文件重命名为santi.txt,放在文件的目录下

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Wed Aug  1 18:31:11 2018

@author: luogan
"""

import jieba
import re
from gensim.models import word2vec
import multiprocessing
import gensim
import numpy as  np
import pandas as pd
import collections
import pandas 


def segment_text(source_corpus, train_corpus, coding, punctuation):
    '''
    切词,去除标点符号
    :param source_corpus: 原始语料
    :param train_corpus: 切词语料
    :param coding: 文件编码
    :param punctuation: 去除的标点符号
    :return:
    '''
    with open(source_corpus, 'r', encoding=coding) as f, open(train_corpus, 'w', encoding=coding) as w:
        for line in f:
            # 去除标点符号
            line = re.sub('[{0}]+'.format(punctuation), '', line.strip())
            # 切词
            words = jieba.cut(line)
            w.write(' '.join(words))


#if __name__ == '__main__':
            
            
            
# 严格限制标点符号
strict_punctuation = '。，、＇：∶；?‘’“”〝〞ˆˇ﹕︰﹔﹖﹑·¨….¸;！´？！～—ˉ｜‖＂〃｀@﹫¡¿﹏﹋﹌︴々﹟#﹩$﹠&﹪%*﹡﹢﹦﹤‐￣¯―﹨ˆ˜﹍﹎+=<­­＿_-\ˇ~﹉﹊（）〈〉‹›﹛﹜『』〖〗［］《》〔〕{}「」【】︵︷︿︹︽_﹁﹃︻︶︸﹀︺︾ˉ﹂﹄︼'
# 简单限制标点符号
simple_punctuation = '’!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~'
# 去除标点符号
punctuation = simple_punctuation + strict_punctuation

# 文件编码
coding = 'utf-8'

#coding ="gb18030"
# 原始语料
source_corpus_text = 'santi.txt'

# 是每个词的向量维度
size = 10
# 是词向量训练时的上下文扫描窗口大小，窗口为5就是考虑前5个词和后5个词
window = 5
# 设置最低频率，默认是5，如果一个词语在文档中出现的次数小于5，那么就会丢弃
min_count = 1
# 是训练的进程数，默认是当前运行机器的处理器核数。
workers = multiprocessing.cpu_count()
# 切词语料
train_corpus_text = 'words.txt'
# w2v模型文件
model_text = 'w2v_size_{0}.model'.format(size)

# 切词 @TODO 切词后注释
segment_text(source_corpus_text, train_corpus_text, coding, punctuation)

# w2v训练模型 @TODO 训练后注释
sentences = word2vec.Text8Corpus(train_corpus_text)
model = word2vec.Word2Vec(sentences=sentences, size=size, window=window, min_count=min_count, workers=workers)
model.save(model_text)

# 加载模型
model = gensim.models.Word2Vec.load(model_text)






g= open("words.txt","r")   #设置文件对象
std= g.read()     #将txt文件的所有内容读入到字符串str中
g.close()   #将文件关闭

cc=std.split(' ')



dd=[]
kkl=dict()

'''
将每个词语向量化，并且append 在dd中，形成一个二维数组
并形成一个字典，index是序号，值是汉字
'''
for p in range(len(cc)):
    hk=cc[p]
    if hk in model:
        
        vec=list(model.wv[hk])
        dd.append(vec)
        kkl[p]=hk
        
#将二维数组转化成numpy
        
dd1=np.array(dd)

from sklearn.cluster import KMeans       

estimator = KMeans(n_clusters=100)  # 构造聚类器
estimator.fit(dd1)  # 聚类
label_pred = estimator.labels_  # 获取聚类标签

#index 是某条向量的序号，值是分类号
index1=list(range(len(dd1)))
vc=pd.Series(label_pred,index=index1)


aa = collections.Counter(label_pred)
v = pandas.Series(aa)
v1=v.sort_values(ascending=False)


for n in range(10):
    vc1=vc[vc==v1.index[n]]
    vindex=list(vc1.index)
    
    kkp=pd.Series(kkl)
    
    print('第',n,'类的前10个数据')
    
    ffg=kkp[vindex][:10]
    ffg1=list(set(ffg))
    
    print(ffg1)

第 0 类的前10个数据
['商讨', '合集\u200b', '连载', '刘慈欣简介', '无奈', '编辑', '事先', '题材', '一二三', '今年']

第 1 类的前10个数据
['的']
第 2 类的前10个数据
['本书', '活', '举', '作者', '看做', '没想到', '朋友', '见面', '主人公', '十分之一']
第 3 类的前10个数据
['延续', '虽', '球状', '更是', '占', '文革', '部', '冷酷']
第 4 类的前10个数据
[nan, '物理学家', '闪电', '怎样', '一年', '一时', '往事', '关于', '却是']
第 5 类的前10个数据
['人类文明', '一段', '试图', '光年', '重新', '星空', '死亡', '内容']
第 6 类的前10个数据
['不了', '大家', '写', '仔细', '有时', '空灵', '许多', '如何', '966', '心中']
第 7 类的前10个数据
['精神', '故事', '科幻', '方式', '永远', '之前']
第 8 类的前10个数据
['里面', '冷兵器', '了', '自己', '立刻', '中', '已', '顶上']
第 9 类的前10个数据
['在', '的']