def get_keywords_for_vocabularies(vocabularies):
collection = TextCollection(list(vocabularies.values()))
keywords = {}
batch_size = len(vocabularies) // 20
for index, (name, vocabulary) in enumerate(vocabularies.items()):
if index % batch_size == 0:
print("Processing vocabulary #" + str(index) + "...")
vocabulary_words = list(set(vocabulary))
num_tokens = len(vocabulary_words)
if num_tokens > 1000:
tokens_freq = FreqDist(vocabulary)
first_keyword = 50
vocabulary_words = tokens_freq.most_common(first_keyword + 1000)
vocabulary_words = vocabulary_words[first_keyword:]
vocabulary_words = [word for word, _ in vocabulary_words]
tf_idfs = {
word: collection.tf_idf(word, vocabulary)
for word in vocabulary_words
}
tf_idf_values = list(tf_idfs.values())
tf_idfs = sorted(tf_idfs.items(), key=lambda x: x[1], reverse=True)
mean_tf_idf = np.mean(tf_idf_values)
median_tf_idf = np.median(tf_idf_values)
threshold = max((mean_tf_idf, median_tf_idf))
keyword_list = [
word for word, tf_idf_value in tf_idfs if tf_idf_value >= threshold
]
if len(keyword_list) > 30:
keyword_list = keyword_list[:30]
keywords[name] = keyword_list
return keywords
def calc_tf_idf(docs):
# docsは辞書型データのリスト。キーがスクリーンネーム、バリューがプロフィール
total_words = []
each_friend_words = {}
#for name in docs.keys(): #APIで取得した文字コードはユニコードなのでutf-8に修正する。
# docs[name] = docs[name].encode('utf-8')
for name in docs.keys():
each_friend_words[name] = []
words_ja = get_nouns_ja(docs[name])
words_en = get_nouns_en(docs[name])
for word in words_ja:
total_words.append(word)
each_friend_words[name].append(word) # スクリーンネームはutf-8に揃える
for word in words_en:
total_words.append(word)
each_friend_words[name].append(word) # スクリーンネームはutf-8に揃える
total_words = del_stopwords(total_words)
docs = [doc for doc in docs.values()] #TextCollectionに適切な形に変換
collection = TextCollection(docs)
word_types = set(total_words)
results = []
tf_idf = {}
for word_type in word_types:
#tf = collection.tf(word_type, total_words)
#idf = collection.idf(word_type, total_words)
#tf_idf = collection.tf_idf(word_type, total_words)
#results.append([word_type, tf, idf, tf_idf])
tf_idf[word_type] = collection.tf_idf(word_type, total_words)
#return sorted(results, key=lambda result:result[3], reverse=True), each_friend_words
return tf_idf, each_friend_words
def transform(self, sents):
"""
tf_idfによりsentssをベクトルに変換する
:param corpus: list(list(str))
:return:
"""
# 変換するために、全ての単語のlistを生成
words = sum(sents, [])
word_collection = TextCollection(words)
for sent in sents:
yield {word: word_collection.tf_idf(word, sent) for word in sent}
import nltk
from nltk import FreqDist
import jieba
from nltk import TextCollection
text1 = '我很喜欢这部电影 '
text2 = '这部电影很棒 '
text3 = '这个很不错 '
text4 = '这个真的很烂 '
text5 = '这部电影不行'
tc = TextCollection([text1, text2, text3, text4, text5])
new_text = '这部电影实在太好看了!'
word = '电影'
tf_idf_val = tc.tf_idf(word, new_text)
print('{}的TF-IDF值为：{}'.format(word, tf_idf_val))
百度手机浏览器是百度自主研发，为手机上网用户量身定制的一款浏览类产品，于2011 年6月15日正式上线公测，极速内核强劲动力，提供超强智能搜索，整合百度优质服务。
Hao123: 上网从这里开始
Hao123创立于1999年，2004年被百度收购。作为百度旗下核心产品，hao123及时收录包括音乐、视频、小说、游戏等热门分类的网站，与搜索完美结合，为中国互联网用户提供最简单便捷的网上导航服务，重新定义了上网导航的概念。
百度杀毒: 更快更安全
百度杀毒是由百度公司研发的专业杀毒软件，也是世界上第一款将“深度学习”技术应用到病毒查杀客户端的产品。产品依托于百度强大的云计算、大数据能力。自2013年上线以来，百度杀毒累积为千万用户提供网络安全服务。
百度卫士: 轻、快、智、净
百度卫士是百度公司出品的系统工具软件，集电脑加速、系统清理、安全维护三大功能于一身，为用户提供优质的电脑及网络安全服务。
百度医生: 更权威，更便捷，更丰富，连接人与医疗服务
百度医生打造了面向普通用户、医生以及医院的产品体系，包括百度医生、百度医生工作台、百度医学、医疗直达号等，实现医患双选的业务模式，从而优化医疗资源的配置效率，提升各方的工作效率，改善患者的就医体验。
百度商业服务，新生产力引擎
百度商业服务是原有的百度推广（以搜索推广为主）的基础上，将数据产品、交易产品、媒体产品、信用产品和咨询服务进行了深度的整合， 并已将咨询服务、百度内容联盟加入到整体的商业服务框架中来。
目前百度商业服务包括三大类产品服务: 以凤巢搜索排名为基础的推广类产品服务，品牌宣传类的产品服务以及基于大数据的数据产品增值服务
'''
words = jieba.cut(content)
words_freq = nltk.FreqDist(words)
print(words_freq.most_common(50)) #词频最高的50个词汇
#计算TF-IDF
from nltk import TextCollection
corpus = TextCollection(
['I love my mother', 'I love my country', 'I love my daddy'])
corpus.tf_idf('country', 'I love my country')
#句法树
from nltk.corpus import treebank
from nltk.tree import Tree
sentTree = '(IP (NP (NR 张三)) (VP (VV 参加) (AS 了) (NP (NN 会议))))'
tree = Tree.fromstring(sentTree)
tree.draw()