数据挖掘——文本挖掘-关键字提取

基于jieba包的自动提取

　　关键方法：jieba.analyse.extract_tags(content,topK=n)

　　具体思路：通过jieba包自带的extract_tags方法，在遍历读取文件内容时，获得每篇文档前n个关键字

 

　使用的包：　

import os
import codecs
import pandas as pd
import jieba
import jieba.analyse

 

　过程：

'''定义变量
文件路径/文件内容/关键字（5个）'''
filepaths = []
contents =[]
tag1 = []
tag2 = []
tag3 = []
tag4 = []
tag5 = []

#遍历文件，同时得到关键字
for root, dirs, files in os.walk(
        r'path'):
    for name in files:
        filepath = root + '\\' +name  #根目录加文件名构成文件路径
        f = codecs.open(filepath,'r','utf-8')  #根据文件路径以只读的形式打开文件
        content = f.read().strip()  #将文件内容传入content变量
        f.close() #关闭文件
        tags = jieba.analyse.extract_tags(content,topK=5) #根据文件内容获取前5个关键字(出现次数最多)
        filepaths.append(filepath) #得到文件路径的集合
        contents.append(content) #得到文件内容的集合
        tag1.append(tags[0]) 
        tag2.append(tags[1])
        tag3.append(tags[2])
        tag4.append(tags[3])
        tag5.append(tags[4])

tagDF = pd.DataFrame({
        '文件路径':filepaths,
        '文件内容':contents,
        '关键词1':tag1,
        '关键词2':tag2,
        '关键词3':tag3,
        '关键词4':tag4,
        '关键词5':tag5})

　　最终得到包含文件路径，文件内容，和每篇5个关键字的数据框

基于TF-IDF算法的手动提取

　　关键：基于TF-IDF原理，引入分词权重的概念

　　词频（TF）
　　逆文档频率（IDF）：词的权重，即词的重要程度
　　TF-IDF:权衡某个分词是否关键词的指标，值越大，是关键字的可能性就越大

　　TF-IDF的计算公式：
　　TF=该词在文档中出现的次数
　　IDF=log[文档总数/（包含该词的文档数+1）]
　　TF-IDF = TF*IDF  

　　Tips：只提取中文关键字，用正则表达式判断分词是否为中文

 

　　具体实现：

　　#创建语料库，导入停用词

　　#获得分词结果

import re
zh = re.compile(u'[\u4e00-\u9fa5]+')    
import jieba
segments = []
filepath = []
#导入停用词    
stopwords = pd.read_csv(r'path',encoding='utf-8',index_col=False)

for index, row in corpos.iterrows(): 
    filePath = row['filePath']  
    fileContent = row['fileContent'] 
    segs = jieba.cut(fileContent)  
    for seg in segs:
        if zh.search(seg):  #只匹配中文分词
             if (seg not in stopwords.stopword.values) and (len(seg.strip())>1): #取非停用词和长度>1的词
                 segments.append(seg)
                 filepath.append(filePath)

segmeng_DF = pd.DataFrame({
        'segment': segments,
        'filePath': filepath})

 　　#词频统计

import numpy as np
segcount = segmeng_DF.groupby(by=['filePath','segment'
                    ])['segment'].agg({'词频':np.size}
                    ).reset_index().sort_values(by=['词频'],ascending=False) 
segcount = segcount[segcount.词频 > 1] #只取词频大于1的分词

　　#词频向量化运算　　

TF =segcount.pivot_table(index='filePath',
                         columns='segment',
                         values='词频',
                         fill_value=0)
TF.columns #列名是各篇文章的分词集合

　　#根据公式分别得到IDF和TF-IDF的值

def hanlder(x):
    return (np.log2(len(corpos) / (np.sum(x>0)+1)))

IDF = TF.apply(hanlder)  #结果是各分词的权重

TF_IDF = pd.DataFrame(TF*IDF)

TF_IDF.columns #列名是各篇文章的分词集合
TF_IDF.index #索引是文件路径

　　#获取关键字

tag1 = []
tag2 = []
tag3 = []
tag4 = []
tag5 = []

for filePath in TF_IDF.index:
    tagis = TF_IDF.loc[filePath].sort_values(ascending=False)[:5].index
    tag1.append(tagis[0]) 
    tag2.append(tagis[1])
    tag3.append(tagis[2])
    tag4.append(tagis[3])
    tag5.append(tagis[4])

　　#最后得到包含文件路径，文件内容，和每篇5个关键字数据框