# -*- coding: utf-8 -*-
#『吾輩は猫である』のTF-IDF を計算するプログラム例
import numpy as np
import pandas as pd
import MeCab
from aozora import Aozora
from sklearn.feature_extraction.text import TfidfVectorizer
#
aozoradir = "./"
m = MeCab.Tagger("-Owakati") # MeCabで分かち書きにする
files = ['wagahaiwa_nekodearu.txt']
readtextlist = [Aozora(aozoradir + u) for u in files]
stringlist = ['\n'.join(u.read()) for u in readtextlist]
wakatilist = [m.parse(u).rstrip() for u in stringlist]
wakatilist = np.array(wakatilist)
# norm=Noneでベクトルの正規化（長さを1にする）をやめる
vectorizer = TfidfVectorizer(use_idf=True, norm=None, \
token_pattern=u'(?u)\\b\\w+\\b')
tfidf = vectorizer.fit_transform(wakatilist)
tfidfpd = pd.DataFrame(tfidf.toarray()) # pandasのデータフレームに変換する
itemlist = sorted(vectorizer.vocabulary_.items(), key=lambda x: x[1])
tfidfpd.columns = [u[0] for u in itemlist] # 欄の見出し（単語）を付ける
for u in tfidfpd.index:
print(tfidfpd.T.sort_values(by=u, ascending=False).iloc[:100, u])
# 行と列を転置したものを、それぞれの文書に対して降順にソートし、先頭100語を表示
# -*- coding: utf-8 -*-
# 4.1.2節 テキストを文ごとに分割し文字数を数える 文ごとの文字数分布の例
from collections import Counter
import re
import numpy as np
import matplotlib.pyplot as plt
from aozora import Aozora
aozora = Aozora("wagahaiwa_nekodearu.txt")
# 文に分解してから、文ごとに文字数をカウントする
string = '\n'.join(aozora.read())
# 全角空白を取り除く。句点・改行で分割、。」の。は改行しない
string = re.split('。(?!」)|\n', re.sub(' ', '', string))
while '' in string: string.remove('') # 空行を除く
cnt = Counter([len(x) for x in string]) # stringの要素（文）の長さをリストにする
# 文の長さを頻度順にソートして出力する
print(sorted(cnt.items(), key=lambda x: x[1], reverse=True)[:100])
nstring = np.array([len(x) for x in string if len(x) < 150])
print('max', nstring.max())
plt.hist(nstring, bins=nstring.max())
plt.show()
print(sorted(cnt.items(), reverse=True)[:100]) # 文の長さを頻度順にソートして出力する
aozora = Aozora("hashire_merosu.txt")
# 文に分解してから、文ごとに文字数をカウントする
string = '\n'.join(aozora.read())
# 全角空白を取り除く。句点・改行で分割、。」の。は改行しない
# -*- coding: utf-8 -*-
# リスト 3-3 『吾輩は猫である』を単語に分解し、単語数の分布のヒストグラム・箱ひげ図を描くプログラム
from aozora import Aozora
import re
import MeCab
import numpy as np
import matplotlib.pyplot as plt
aozora = Aozora("wagahaiwa_nekodearu.txt")
# 文に分解する
string = '\n'.join(aozora.read())
string = re.sub(' ', '', string)
string = re.split('。(?!」)|\n', re.sub(' ', '', string))
while '' in string:
string.remove('') # 空行を除く
m = MeCab.Tagger("-Ochasen") # MeCabで品詞分解する
# 先頭20文について文単位で形態素解析し、名詞だけ抽出して、基本形を文ごとのリストにする
lengthlist = np.array([len(v) for v in string][3:23])
print('average', lengthlist.mean())
print('variance', lengthlist.var())
print('std-deviation', lengthlist.std())
for u in lengthlist:
print(u) # それぞれの文の長さを、出現順に表示
for u in sorted(lengthlist):
print(u) # それぞれの文の長さを、長さ順に表示
plt.rcParams['font.family'] = 'IPAGothic'
fig = plt.figure()
plt.title('文の長さ（文字数）')
plt.xlabel('長さ')
from aozora import Aozora
import MeCab
import nltk
aozora = Aozora("neko_jyo.txt")
m = MeCab.Tagger("-Owakati -b65535")
string = m.parse('\n'.join(aozora.read()))
text = nltk.Text(nltk.word_tokenize(string)) # NLTKでトークン化し、Textのフォーマットに変換する
word = '吾輩'
c = nltk.text.ConcordanceIndex(text) # ConcordanceIndexクラスのインスタンス生成、入力textを指定
c.print_concordance(word, width=40) # 検索語wordでKWIC形式を表示
print(c.offsets(word)) # 検索語wordの位置情報を得る
import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
import re
import pickle
import re
from janome.tokenizer import Tokenizer
from aozora import Aozora
from sklearn.feature_extraction.text import TfidfVectorizer
from flask import Flask, render_template
aozora = Aozora("wagahaiwa_nekodearu.txt")
pndicfname = "./pn_ja.dic"
app = Flask(__name__)
def readpndic(filename):
with open(filename, "r") as dicfile:
items = dicfile.read().splitlines()
return {u.split(':')[0]: float(u.split(':')[3]) for u in items}
def get_string():
string = '\n'.join(aozora.read())
string = re.sub(' ', '', string)
string = re.split('。(?!」)|\n', re.sub(' ', '', string))
while '' in string:
string.remove('')
return string
def get_sentiment(string):
from aozora import Aozora
import MeCab
import nltk
def print_data(label, data):
can_print = True
if not can_print:
return
print('\n*** ', label)
print(data)
aozora = Aozora('wagahaiwa_nekodearu.txt')
m = MeCab.Tagger('-Owakati -b65535')
all_text = m.parse('\n'.join(aozora.read()))
text = nltk.Text(nltk.word_tokenize(all_text))
word = '吾輩'
c = nltk.text.ConcordanceIndex(text)
c.print_concordance(word, width=40)
print_data('KWICの位置情報', c.offsets(word))
# -*- coding: utf-8 -*-
# リスト 5-9 「吾輩」をキーワードにした KWIC 検索プログラム例
# NLTK Concordanceの情報は http://www.nltk.org/api/nltk.html
from aozora import Aozora
import MeCab
import nltk
aozora = Aozora("wagahaiwa_nekodearu.txt")
m = MeCab.Tagger("-Owakati -b65535") # MeCabのインスタンス生成（分かち書き）
string = m.parse('\n'.join(aozora.read())) # 分かち書きに変換する
text = nltk.Text(nltk.word_tokenize(string))
# NLTKでトークン化しTextのフォーマットに変換する
word = '吾輩' # 検索語
c = nltk.text.ConcordanceIndex(text)
# ConcordanceIndexクラスのインスタンス生成、入力textを指定
c.print_concordance(word, width=40) # 検索語wordでKWIC形式を表示
print(c.offsets(word)) # 検索語wordの位置情報を得る
from collections import Counter
from aozora import Aozora
import MeCab
aozora = Aozora("neko_jyo.txt")
string='\n'.join(aozora.read())
# 形態素解析して、語の出現頻度を数える
m = MeCab.Tagger("-Ochasen") # MeCabで単語に分解する
mecablist = []
wlist = m.parse(string).splitlines() # 結果を単語情報リストのリストに整形する
for u in wlist:
xlist = []
for v in u.split():
xlist.append(v)
mecablist.append(xlist)
# 得られた単語情報リストのリストから、単語の部分だけを取り出したリストを作る
wordbodylist = []
for u in mecablist:
wordbodylist.append(u[0])
# 単語のリストで出題頻度を数える
cnt = Counter(wordbodylist)
# 頻度順に100個表示
print(sorted(cnt.items(), key=lambda x: x[1], reverse=True)[:100])
# -*- coding: utf-8 -*-
# 4.1.1節 文字の出現頻度 青空文庫のテキストを取り込んで、文字の出現回数を数える
from collections import Counter
from aozora import Aozora
aozora = Aozora("wagahaiwa_nekodearu.txt")
# 文字ごとの出現頻度を調べる
string = '\n'.join(aozora.read()) # パラグラフをすべて結合して1つの文字列にする
cnt = Counter(string)
# 頻度順にソートして出力する
print(sorted(cnt.items(), key=lambda x: x[1], reverse=True)[:50])
# download from the following dictionary
# http://www.lr.pi.titech.ac.jp/~takamura/pndic_ja.html
from pprint import pprint
import re
from statistics import mean
import MeCab
from aozora import Aozora
pndicfname = './sentiment/pn_ja.dic'
aozora = Aozora('./wagahaiwa_nekodearu.txt')
def read_pndic(filename):
with open(filename, 'r') as dicfile:
items = dicfile.read().splitlines()
return {u.split(':')[0]: float(u.split(':')[3]) for u in items}
pndic = read_pndic(pndicfname)
# 文に分解する
text = '\n'.join(aozora.read())
text = re.sub(' ', '', text)
sentences = re.split('。(?!」)|\n', text)
# 空行を除く
while '' in sentences:
sentences.remove('')
print('\n***** Sentences')
pprint(sentences)
cnt = Counter(string_e)
print(string_e)
print(cnt)
print('Count of i: ' + str(cnt['i']) + '\n')
# 日本語
string_j = '吾輩は猫である。名前はまだ無い。'
cnt = Counter(string_j)
print(string_j)
print(cnt)
print('\n')
# 吾輩は猫である（夏目漱石＠青空文庫）
# https://www.aozora.gr.jp/cards/000148/card789.html#download
from aozora import Aozora
ao = Aozora('./wagahaiwa_nekodearu.txt')
string_waga = '\n'.join(ao.read()) # パラグラフをすべて結合して1つの文字列にする
cnt = Counter(string_waga)
# 頻度順（値）にソートして出力する
print(sorted(cnt.items(), key=lambda x: x[1], reverse=True)[:50])
print('\n')
# 英文の分割
# python -m nltk.downloader punkt で tokenizer をダウンロードする必要がある
# python -m nltk.downloader inaugural で inaugural コーパスをダウンロードする必要がある
# (python -m nltk.downloader all なら全コーパスをダウンロードする)
import nltk
from nltk.corpus import inaugural
text = inaugural.raw('1789-Washington.txt')
sents = nltk.tokenize.sent_tokenize(text)
for u in sents:
from collections import Counter
from aozora import Aozora
import MeCab
aozora = Aozora('wagahaiwa_nekodearu.txt')
string = '\n'.join(aozora.read()) # 1つの文字列データにする
# 形態素解析して、語の出現頻度を数える
m = MeCab.Tagger('-Ochasen') # MeCab で単語に分割する
mecablist = []
wlist = m.parse(string).splitlines()
for u in wlist:
mecablist.append([v for v in u.split()])
# 得られた単語情報リストから、単語の部分だけを取り出したリストを作る
wordbodylist = [u[0] for u in mecablist]
# 単語のリストで出現頻度を数える
cnt = Counter(wordbodylist)
# 頻度順に100個表示
print(sorted(cnt.items(), key=lambda x: x[1], reverse=True)[:100])