计算文章权重TF-IDF。

嗯。tf-idf是个好东西,有必要计算下。下面是python下的jieba模块实现的文章tf-idf的计算结果。

 Python |  copy code |? 
01
#coding:utf-8
02
import jieba
03
import jieba.analyse    #计算tf-idf需要调用此模块jieba.analyse
04
stopkey=[line.strip().decode('utf-8') for line in open('stopkey.txt').readlines()] 
05
#将停止词文件保存到列表stopkey,停止词在网上下载的。
06
neirong = open(r"ceshi1.txt","r").read()  #导入需要计算的内容
07
zidian={}
08
fenci=jieba.cut_for_search(neirong)   #搜索引擎模式分词
09
for fc in fenci:
10
        if fc in zidian:                
11
                zidian[fc]+=1           #字典中如果存在键,键值加1,
12
        else:
13
                zidian.setdefault(fc,1)   #字典中如果不存在键,就加入键,键值设置为1
14
quanzhong=jieba.analyse.extract_tags(neirong,topK=20)       #计算tf-idf,输出前20的权重词。
15
for qg in quanzhong:
16
        if qg in stopkey:       #如果qg存在停止词stopkey里面,则pass
17
                pass
18
        else:                                        #不存在的话就输出qg和出现qg的次数
19
                print qg+","+`zidian[qg]`       #输出权重词和权重词出现的次数
20

以zero以前的一篇文章“TF-IDF框架与其可以衍生到的SEO知识”内容为例,输出结果是:QQ截图20140331110724 201x300 计算文章权重TF IDF。

python利用jieba分词进行分词,去停止词(停用词)。

上一篇文章介绍了利用python进行SEO词库去重,去重后需要对现有的词库进行去停止词操作,这里我们主要利用到了jieba分词的搜索引擎模式cut_for_search() .

去停止词主要利用了停止词词库进行去重set(jiebas)-set(stopkey)

 Python |  copy code |? 
01
#coding:utf-8
02
import jieba,csv
03
fenci=open(r'fenci_ddc.csv','w')  #数据写入到fenci_key里
04
stopkey=[line.strip().decode('utf-8') for line in open('stopkey.txt').readlines()]  
05
	#读取停止词文件并保存到列表stopkey
06
key=csv.reader(file('key_ddc.csv','rb'))  #读取需要处理的词库:key_ddc.csv
07
list1=[]
08
i=0
09
 
10
for keys in key:
11
 
12
	if i==0:	
13
		i=1
14
		jiebas=jieba.cut_for_search(keys[0]) #jieba.cut_for_search() 结巴分词搜索引擎模式		
15
		fenci_key="/".join(list(set(jiebas)-set(stopkey))) #使用join链接字符串输出
16
		list1.append(fenci_key.strip())  #将数据添加到list1列表
17
		print u'程序处理中,请等待...'
18
	else:
19
		jiebas=jieba.cut_for_search(keys[0]) 
20
		fenci_key="/".join(list(set(jiebas)-set(stopkey))) 
21
		list1.append(fenci_key.strip()) 
22
 
23
zidian={}.fromkeys(list1).keys()    #字典去重的方法
24
 
25
for zd  in zidian:
26
	try:
27
		print zd
28
	except:
29
		pass
30
	fenci.writelines(zd.encode('utf-8'))      #需要转换成utf-8格式输出
31
	fenci.writelines('\n')
32
 
33
fenci.close()
34
 
35
 
36
 
37
 
38
 
39

python实现seo词库去重脚本—定制版

之前分享了一个python实现数据去重的脚本,对付一般的需求足以满足,但是针对seo词库的特殊去重,需要做些改变,原理都一样,使用字典键的唯一性来实现我们的目标。(针对同一个词库(600w行)使用这个脚本去重比之前的脚本多去掉了一万多行的重复数据),下面贴出代码

 Python |  copy code |? 
01
#coding:utf-8
02
#词库的数据格式为:
03
#关键字,日搜索量,月搜索量
04
#爱玛,2,4
05
#雅迪,2,5
06
#绿源,3,55
07
 
08
ciku=open(r'ciku1.csv','r')   #打开需要去重文件,可自行修改
09
xieru=open(r'ciku.csv','w')  #去重的文件保存到ciku.csv去,可自行修改
10
cikus=ciku.readlines()
11
zidian={}   #创建个空字典
12
for x in cikus:
13
	try:
14
		x=x.split(',')    #sqlit 切割,通过字符串‘,’切割。
15
		x1=x[0]
16
		leng=len(x)      
17
		if leng==3:		#判断列表长度是否是3,不是3证明词库数据有一定的问题,舍弃,预防报错。
18
			x2=x[1]+','+x[2]
19
			zidian1={x1:x2}        #关键字为键,后面的为值
20
			zidian.update(zidian1)   #update添加到字典,类似列表的append的用法,向zidian里面添加zidian1
21
	except ValueError :
22
		pass
23
for key in zidian.keys():
24
	ci=key+','+zidian[key]
25
	try:
26
		print ci[0:-1].decode('utf-8').encode('gbk')
27
	except ValueError:
28
		pass
29
	xieru.writelines(ci)
30
ciku.close()
31
xieru.close()
32

python实现文件切割(支持txt ,csv等)

今天群里一基友需要做文件切割。顺手写了个python脚本。分享了。

 Python |  copy code |? 
01
#coding:utf-8
02
ysfile=open(r'ceshi.csv','r')   #file.txt是需要切割的文件。
03
qiege=3   #默认切割成3个文件,需要切割成多少个文件在这里修改。
04
readfiles=ysfile.readlines()
05
leng=len(readfiles)
06
leng=leng/qiege
07
i=0
08
x=1
09
qg=`x`+'.txt'
10
qiegefile=open(qg,'w')
11
for line in readfiles:
12
	try:
13
		print line[0:-1]	
14
		if i>leng:
15
			x+=1
16
			i=0
17
			qg=`x`+'.txt'
18
			qiegefile.close()
19
			qiegefile=open(qg,'w')
20
		i+=1
21
		qiegefile.writelines(line)
22
	except ValueError :
23
		pass
24
qiegefile.close()
25
 
26
 
27

使用python实现文件去重(一般性的文本处理)

在实际工作中经常会遇到很多重复的信息,需要我们做去重复处理,今天下午写了个python的脚本实现文件去重功能,这个脚本能够满足大部分非特定的需求,但是针对seo词库仍然无法满足需求,分享给大家(针对seo词库的去重请查看python实现seo词库去重脚本—定制版处理数据的速度一般,可以接受,测试了下,上个厕所的时间处理了600万行数据。

 Python |  copy code |? 
01
#coding:utf-8
02
ciku=open(r'all.csv','r')   #打开需要去重文件
03
xieci=open(r'quchong.csv','w')   #打开处理后存放的文件
04
cikus=ciku.readlines() 
05
list2 = {}.fromkeys(cikus).keys()     #列表去重方法,将列表数据当作字典的键写入字典,依据字典键不可重复的特性去重
06
i=1
07
for line in list2:
08
	if line[0]!=',':
09
		# print line[0:-1].decode('utf-8').encode('gbk')   #数据量太多,会出现编码报错。蛋疼
10
		print  u"写入第:"+`i`+u" 个"
11
		i+=1
12
		xieci.writelines(line)
13
xieci.close()