
正文
【Pyhton 数据分析】通过gensim进行文本相似度分析
提示:扫一扫查出行【扫一扫了解最新限行尾号】
复制提示
环境描述
Python环境:Python 3.6.1
系统版本:windows7 64bit
文件描述
一共有三个文件,分别是:file_01.txt、file_02.txt、file_03.txt
file_01.txt文件内容:
我吃过糖之后,发现我的牙齿真的很疼
file_02.txt文件内容:
牙疼不是病疼起来要人命.
file_03.txt文件内容:
我的肚子不舒服!与此同时,牙疼也让我接近崩溃
文本相似度分析步骤- 打开并读取文档内容
- 对要进行分析的文档分词
- 格式化文档
- 计算词频(可以过滤词频较小的词)
- 通过语料库建立字典
- 加载要对比的文档
- 将要对比的文档通过doc2bow转化为稀疏向量
- 对稀疏向量进行进一步处理,得到新语料库
- 将新语料库通过tfidfmodel进行处理,得到tfidf
- 通过token2id得到特征数
- 稀疏矩阵相似度,从而建立索引
- 得到相似度结果
实现代码#-*- coding:utf-8 -*-#导入所需的模块
from gensim import corpora,models,similarities
import jieba
from collections import defaultdict#打开并读取文件
f1 = "D:/reptile/file/file_01.txt"
f2 = "D:/reptile/file/file_02.txt"content1 = open(f1,encoding='UTF-8').read()
content2 = open(f2,encoding='UTF-8').read()#对文档进行分词
data1 = jieba.cut(content1)
data2 = jieba.cut(content2)#整理文档格式,格式为:"词语1 词语2 ... 词语n "(词语之间用空格分隔)
str1 = ""
for item in data1:
str1+=item+" "
#print(str1)
str2 = ""
for item in data2:
str2+=item+" "
#print(str2)#split默认分隔符为空格
str_all = [str1,str2]
text = [[word for word in str3.split()]
for str3 in str_all]#计算词语频率
frequency = defaultdict(int)
for i in text:
for token in i:
frequency[token]+=1
#过滤词频为3的
'''
texts=[[word for word in text if frequency[token]>3]
for text in texts]
'''
#通过语料库建立词典
dictionary = corpora.Dictionary(text)
dictionary.save("D:/reptile/file/dict1.txt")#加载要对比的文档
f3 = "D:/reptile/file/file_03.txt"
content3 = open(f3,encoding='UTF-8').read()
data3 = jieba.cut(content3)str3 = ""
for item in data3:
str3+=item+" "
new_data = str3#doc2bow将文件变成一个稀疏矩阵
new_vec = dictionary.doc2bow(new_data.split())#对字典进行docbow处理,得到新的语料库
corpus = [dictionary.doc2bow(j) for j in text]#将corpus语料库持久化到磁盘中,词句可以删除
#corpora.MmCorpus.serialize("D:/reptile/file/New_Yuliaoku.mm",corpus)#将新的语料库通过TfidfModel处理,得到tfidf
tfidf = models.TfidfModel(corpus)#求特征数
featureNum = len(dictionary.token2id.keys())#SparseMatrixSimilarity 稀疏矩阵相似度
index = similarities.SparseMatrixSimilarity(tfidf[corpus],num_features=featureNum)#得到结果
sim = index[tfidf[new_vec]]#打印结果
print(sim)
运行结果
#-*- coding:utf-8 -*-#导入所需的模块
from gensim import corpora,models,similarities
import jieba
from collections import defaultdict#打开并读取文件
f1 = "D:/reptile/file/file_01.txt"
f2 = "D:/reptile/file/file_02.txt"content1 = open(f1,encoding='UTF-8').read()
content2 = open(f2,encoding='UTF-8').read()#对文档进行分词
data1 = jieba.cut(content1)
data2 = jieba.cut(content2)#整理文档格式,格式为:"词语1 词语2 ... 词语n "(词语之间用空格分隔)
str1 = ""
for item in data1:
str1+=item+" "
#print(str1)
str2 = ""
for item in data2:
str2+=item+" "
#print(str2)#split默认分隔符为空格
str_all = [str1,str2]
text = [[word for word in str3.split()]
for str3 in str_all]#计算词语频率
frequency = defaultdict(int)
for i in text:
for token in i:
frequency[token]+=1
#过滤词频为3的
'''
texts=[[word for word in text if frequency[token]>3]
for text in texts]
'''
#通过语料库建立词典
dictionary = corpora.Dictionary(text)
dictionary.save("D:/reptile/file/dict1.txt")#加载要对比的文档
f3 = "D:/reptile/file/file_03.txt"
content3 = open(f3,encoding='UTF-8').read()
data3 = jieba.cut(content3)str3 = ""
for item in data3:
str3+=item+" "
new_data = str3#doc2bow将文件变成一个稀疏矩阵
new_vec = dictionary.doc2bow(new_data.split())#对字典进行docbow处理,得到新的语料库
corpus = [dictionary.doc2bow(j) for j in text]#将corpus语料库持久化到磁盘中,词句可以删除
#corpora.MmCorpus.serialize("D:/reptile/file/New_Yuliaoku.mm",corpus)#将新的语料库通过TfidfModel处理,得到tfidf
tfidf = models.TfidfModel(corpus)#求特征数
featureNum = len(dictionary.token2id.keys())#SparseMatrixSimilarity 稀疏矩阵相似度
index = similarities.SparseMatrixSimilarity(tfidf[corpus],num_features=featureNum)#得到结果
sim = index[tfidf[new_vec]]#打印结果
print(sim)
运行结果
[ 0.58554006 0.15430336]
该结果说明:file_03文件与file_02的相似度为0.15430336,与file_01的相似度为0.58554006







