文本相似性算法实现（二）-分组及分句热度统计
软件老王 人气:11. 场景描述
软件老王在上一节介绍到相似性热度统计的4个需求（文本相似性热度统计(python版)），本次介绍分组及分组分句热度统计（需求1和需求2）。
2. 解决方案
分组热度统计首先根据某列进行分组，然后再对这些句进行热度统计，主要是分组处理，分句仅仅是按照标点符号做了下拆分，在代码说明中可以替换下就可以了。
2.1 完整代码
完整代码，有需要的朋友可以直接拿走，不想看代码介绍的，可以直接拿走执行就行。
import jieba.posseg as pseg
import jieba.analyse
import xlwt # 写入Excel表的库
import pandas as pd
from gensim import corpora, models, similarities
import re
#停词函数
def StopWordsList(filepath):
wlst = [w.strip() for w in open(filepath, 'r', encoding='utf8').readlines()]
return wlst
def str_to_hex(s):
return ''.join([hex(ord(c)).replace('0x', '') for c in s])
# jieba分词
def seg_sentence(sentence, stop_words):
stop_flag = ['x', 'c', 'u', 'd', 'p', 't', 'uj', 'f', 'r']
sentence_seged = pseg.cut(sentence)
outstr = []
for word, flag in sentence_seged:
if word not in stop_words and flag not in stop_flag:
outstr.append(word)
return outstr
if __name__ == '__main__':
# 1 这些是jieba分词的自定义词典，软件老王这里添加的格式行业术语，格式就是文档，一列一个词一行就行了，
# 这个几个词典软件老王就不上传了，可注释掉。
jieba.load_userdict("g1.txt")
jieba.load_userdict("g2.txt")
jieba.load_userdict("g3.txt")
# 2 停用词，简单理解就是这次词不分割，这个软件老王找的网上通用的。
spPath = 'stop.txt'
stop_words = StopWordsList(spPath)
# 3 excel处理
wbk = xlwt.Workbook(encoding='ascii')
sheet = wbk.add_sheet("软件老王sheet") # sheet名称
sheet.write(0, 0, '软件老王1-类别')
sheet.write(0, 1, '软件老王2-原因')
sheet.write(0, 2, '软件老王3-统计数量')
sheet.write(0, 3, '导航-链接到明细sheet表')
inputfile = '软件老王-source2.xlsx'
data = pd.read_excel(inputfile) # 读取数据
grp1 = data.groupby('类别')
rcount = 1
for name, group in grp1:
print(grp1)
texts = []
orig_txt = []
key_list = []
name_list = []
sheet_list = []
name = name.replace('\n', '').replace('/', '')
for i in range(len(group)):
row = group.iloc[i].values
cell = row[1]
if cell is None:
continue
if not isinstance(cell, str):
continue
item = cell.strip('\n\r').split('\t')
string = item[0]
if string is None or len(string) == 0:
continue
else:
textstr = seg_sentence(string, stop_words)
texts.append(textstr)
orig_txt.append(string)
# 4 相似性处理
dictionary = corpora.Dictionary(texts)
feature_cnt = len(dictionary.token2id.keys())
corpus = [dictionary.doc2bow(text) for text in texts]
tfidf = models.LsiModel(corpus)
index = similarities.SparseMatrixSimilarity(tfidf[corpus], num_features=feature_cnt)
result_lt = []
word_dict = {}
count =0
for keyword in orig_txt:
count = count+1
print('开始执行，第'+ str(count)+'行')
if keyword in result_lt or keyword is None or len(keyword) == 0:
continue
kw_vector = dictionary.doc2bow(seg_sentence(keyword, stop_words))
sim = index[tfidf[kw_vector]]
result_list = []
for i in range(len(sim)):
if sim[i] > 0.5:
if orig_txt[i] in result_lt and orig_txt[i] not in result_list:
continue
result_list.append(orig_txt[i])
result_lt.append(orig_txt[i])
if len(result_list) >0:
word_dict[keyword] = len(result_list)
if len(result_list) >= 1:
name = name.strip('\n\r').replace('\n', '').replace('/', '').replace('，', '').replace('。', '').replace(
'*', '')
name = re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])", "", name)
sname = name[0:10] + '_' + re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])", "", keyword[0:10])+ '_'\
+ str(len(result_list)+ len(str_to_hex(keyword))) + str_to_hex(keyword)[-5:]
sheet_t = wbk.add_sheet(sname) # Excel单元格名字
for i in range(len(result_list)):
sheet_t.write(i, 0, label=result_list[i])
# 5 按照热度排序 -软件老王
with open("rjlw.txt", 'w', encoding='utf-8') as wf2: # 打开文件
orderList = list(word_dict.values())
orderList.sort(reverse=True)
count = len(orderList)
for i in range(count):
for key in word_dict:
if word_dict[key] == orderList[i]:
key_list.append(key)
name_list.append(name)
word_dict[key] = 0
wf2.truncate()
# 6 写入目标excel
for i in range(len(key_list)):
sheet.write(i+rcount, 0, label=name_list[i])
sheet.write(i+rcount, 1, label=key_list[i])
sheet.write(i+rcount, 2, label=orderList[i])
if orderList[i] >= 1:
shname = name_list[i][0:10] + '_' + re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])", "", key_list[i][0:10]) \
+ '_'+ str(orderList[i]+ len(str_to_hex(key_list[i])))+ str_to_hex(key_list[i])[-5:]
link = 'HYPERLINK("#%s!A1";"%s")' % (shname, shname)
sheet.write(i+rcount, 3, xlwt.Formula(link))
rcount = rcount + len(key_list)
key_list = []
name_list = []
orderList = []
texts = []
orig_txt = []
sheet_list =[]
wbk.save('软件老王-target2.xls') 2.2 代码说明
以上的代码中有很明确的注释就不再一一介绍了，重点说几个。
（1）分组处理跟文本相似性热度统计算法实现（一）-整句热度统计相似，不同的是首先按照某一列做了分组处理，然后进行相似性统计，相似性这块一样，其实不同的主要是excel处理这块的内容。
（2）excle分组用的是pandas包，python中excel数据分组处理。
（3）关于需求2，分组分句，代码如下：
for i in range(len(group)):
row = group.iloc[i].values
cell = row[1]
if cell is None:
continue
if not isinstance(cell, str):
continue
item = cell.strip('\n\r').split('\t')
string = item[0]
#软件老王，这里按照标点符号对原因进行拆分，然后再进行处理。
lt = re.split('，|。|！|？', string)
for t in lt:
if t is None or t.strip() == '' or len(t.strip()) == 0:
continue
else:
textstr = seg_sentence(t, stop_words)
texts.append(textstr)
orig_txt.append(t)2.3 效果图
（1）软件老王-source2.xlsx
| 类别 | 原因 |
|---|---|
| 软件老王1 | 主机不能加电 |
| 软件老王1 | 有时不能加电 |
| 软件老王1 | 开机加电 |
| 软件老王2 | 自检报错或死机 |
| 软件老王2 | 机器噪音大 |
| 软件老王3 | 噪音问题 |
| 软件老王1 | 噪音太大 |
| 软件老王1 | 噪音噪声 |
| 软件老王1 | 声音太大 |
| 软件老王2 | 声音太大 |
| 软件老王3 | 声音太大 |
（2）软件老王-target2.xls
| 软件老王1-类别 | 软件老王2-原因 | 软件老王3-统计数量 | 导航-链接到明细sheet表 |
|---|---|---|---|
| 软件老王1 | 主机不能加电 | 3 | 软件老王1_主机不能加电_2707535 |
| 软件老王1 | 噪音太大 | 2 | 软件老王1_噪音太大_18a5927 |
| 软件老王1 | 声音太大 | 1 | 软件老王1_声音太大_17a5927 |
| 软件老王2 | 自检报错或死机 | 1 | 软件老王2_自检报错或死机_29b673a |
| 软件老王2 | 机器噪音大 | 1 | 软件老王2_机器噪音大_2135927 |
| 软件老王2 | 声音太大 | 1 | 软件老王2_声音太大_17a5927 |
| 软件老王3 | 噪音问题 | 1 | 软件老王3_噪音问题_17e9898 |
| 软件老王3 | 声音太大 | 1 | 软件老王3_声音太大_17a5927 |
（3）简单说明
从数据中可以看出来，例如：声音太大，分属三类，首先分类，然后再比对相似性。
I’m 「软件老王」，如果觉得还可以的话，关注下呗，后续更新秒知！欢迎讨论区、同名公众号留言交流！
加载全部内容