python实现TF-IDF算法

TF-IDF（term frequency–inverse document frequency）是一种用于信息检索与数据挖掘的常用加权技术。

同样，理论我这里不再赘述，因为和阮一峰大神早在2013年就将TF-IDF用一种非常通俗的方式讲解出来，具体请参考他的本文
TF-IDF与余弦相似性的应用（一）：自动提取关键词

材料

1.语料库（已分好词）
2.停用词表（哈工大停用词表）
3.python3.5

语料库的准备

这里使用的语料库是《人民日报》2015年1月16日至1月18日的发表的新闻。并且在进行TFIDF处理之前已经进行了人工分词（当然也可以使用jieba分词，但效果不好）

三天的新闻篇章数量如下：

语料库中共103篇新闻。每篇新闻存入在txt文件中，编码为UTF-8无BOM

这里放一篇文章示例下：

我在自己的项目路径下新建一个corpus的文件夹，用于存放已经分好词待计算的语料。corpus文件夹的架构如下：

2015年1月16日至1月18日共三天，每天可获取的新闻分了四版，因此针对每一天下的每一版我又分别建了编号为1、2、3、4的文件夹，用于存放每一版的新闻。
其实也没必要这么麻烦，可以直接把所有的新闻都放到一个文件夹下，只是我个人的文件管理习惯。当然放到数据库里面更好。

关于停用词表

较好用的停用词表有哈工大停用词表、百度停用词表、川大停用词表，网上一查一大堆。我这里选择的是哈工大停用词表。

代码实现

# -*- coding: utf-8 -*-# @Date     : 2017-04-11 09:31:55# @Author   : Alan Lau ([e-mail])# @Language : Python3.5import osimport codecsimport mathimport operatordef fun(filepath):  # 遍历文件夹中的所有文件，返回文件list    arr = []    for root, dirs, files in os.walk(filepath):        for fn in files:            arr.append(root+"\\"+fn)    return arrdef wry(txt, path):  # 写入txt文件    f = codecs.open(path, 'a', 'utf8')    f.write(txt)    f.close()    return pathdef read(path):  # 读取txt文件，并返回list    f = open(path, encoding="utf8")    data = []    for line in f.readlines():        data.append(line)    return datadef toword(txtlis):  # 将一片文章按照‘/’切割成词表，返回list    wordlist = []    alltxt = ''    for i in txtlis:        alltxt = alltxt+str(i)    ridenter = alltxt.replace('\n', '')    wordlist = ridenter.split('/')    return wordlistdef getstopword(path):  # 获取停用词表    swlis = []    for i in read(path):        outsw = str(i).replace('\n', '')        swlis.append(outsw)    return swlisdef getridofsw(lis, swlist):  # 去除文章中的停用词    afterswlis = []    for i in lis:        if str(i) in swlist:            continue        else:            afterswlis.append(str(i))    return afterswlisdef freqword(wordlis):  # 统计词频，并返回字典    freword = {}    for i in wordlis:        if str(i) in freword:            count = freword[str(i)]            freword[str(i)] = count+1        else:            freword[str(i)] = 1    return freworddef corpus(filelist, swlist):  # 建立语料库    alllist = []    for i in filelist:        afterswlis = getridofsw(toword(read(str(i))), swlist)        alllist.append(afterswlis)    return alllistdef wordinfilecount(word, corpuslist):  # 查出包含该词的文档数    count = 0  # 计数器    for i in corpuslist:        for j in i:            if word in set(j):  # 只要文档出现该词，这计数器加1，所以这里用集合                count = count+1            else:                continue    return countdef tf_idf(wordlis, filelist, corpuslist):  # 计算TF-IDF,并返回字典    outdic = {}    tf = 0    idf = 0    dic = freqword(wordlis)    outlis = []    for i in set(wordlis):        tf = dic[str(i)]/len(wordlis)  # 计算TF：某个词在文章中出现的次数/文章总词数        # 计算IDF：log(语料库的文档总数/(包含该词的文档数+1))        idf = math.log(len(filelist)/(wordinfilecount(str(i), corpuslist)+1))        tfidf = tf*idf  # 计算TF-IDF        outdic[str(i)] = tfidf    orderdic = sorted(outdic.items(), key=operator.itemgetter(        1), reverse=True)  # 给字典排序    return orderdicdef befwry(lis):  # 写入预处理，将list转为string    outall = ''    for i in lis:        ech = str(i).replace("('", '').replace("',", '\t').replace(')', '')        outall = outall+'\t'+ech+'\n'    return outalldef main():    swpath = r'D:\Alan\myBlog\20170411《人民日报》TFIDF\code\哈工大停用词表.txt'#停用词表路径    swlist = getstopword(swpath)  # 获取停用词表列表    filepath = r'D:\Alan\myBlog\20170411《人民日报》TFIDF\corpus'    filelist = fun(filepath)  # 获取文件列表    wrypath = r'D:\Alan\myBlog\20170411《人民日报》TFIDF\result\TFIDF.txt'    corpuslist = corpus(filelist, swlist)  # 建立语料库    outall = ''    for i in filelist:        afterswlis = getridofsw(toword(read(str(i))), swlist)  # 获取每一篇已经去除停用的词表        tfidfdic = tf_idf(afterswlis, filelist, corpuslist)  # 计算TF-IDF        titleary = str(i).split('\\')        title = str(titleary[-1]).replace('utf8.txt', '')        echout = title+'\n'+befwry(tfidfdic)        print(title+' is ok!')        outall = outall+echout    print(wry(outall, wrypath)+' is ok!')if __name__ == '__main__':    main()

运行效果：

最终结果

这里放两篇新闻的TFIDF

可以看到，第一篇新闻的关键词可以认为为：核工业、发展、安全
第二篇新闻：习近平总书记、廉政、党风

关于\u3000\u3000这个问题实在不知道怎么替换掉，各种方法使用过了，不知哪位大神看到恳请指点下。