Python基于词频排序实现快速挖掘关键词

时间:2023-03-23 虚坏叔叔人气:0

一、所有的代码

这是所有的代码

from collections import defaultdict
import jieba.posseg as jp

with open('keyword.txt','r',encoding='utf-8') as file:
	keyword_list = file.read().split('\n')

not_flag = set(['w','x','y','z','un','m'])
not_word = set(['的','是','有','啊','呢','么','好'])

keyword_split = dict()
word_count = defaultdict(int)
for keyword in keyword_list:
	word_set = set()
	for word,flag in jp.cut(keyword):
		if flag in not_flag:
			continue
		if word in not_word:
			continue
		if word == 'pdf' or word == 'PDF':
			continue

		word_count[word] += 1
		word_set.add(word)

	keyword_split[keyword] = word_set

id_keyword_list = defaultdict(list)
id_count = defaultdict(int)
for keyword,word_set in keyword_split.items():
	word_sort = dict()
	for word in word_set:
		word_sort[word] = word_count[word]

	word_sort = sorted(word_sort.items(),key=lambda x:x[1],reverse=True)
	word_id = ','.join([word for word,count in word_sort[0:3]])

	id_keyword_list[word_id] += [keyword]
	id_count[word_id] += 1

result = []
id_count = sorted(id_count.items(),key=lambda x:x[1],reverse=True)
for word_id,count in id_count:
	if count < 3:
		continue
	for keyword in id_keyword_list[word_id]:
		result.append('%s\t%s' % (keyword,word_id))
	result.append('')

with open('result.txt','wb') as file:
	file.write('\n'.join(result).encode('utf-8'))

二、实现的效果

keyword.txt如下图：

有50万的关于pdf的关键词数据

最后的输出result.txt 就是将里面的含有关键词相同的句子统一输出出来：

这里会将一个句子的3个关键词输出出来关键词是根据词频排序的。

最后将所有关键词一样的句子组合在一起，就可以知道这些句子表达的意思大致一致

三、代码解读

keyword_list 是从keyword.txt读取到的所有的句子

not_flag 是要排除的标记，不统计这些标记

not_word 是要排除的单词，不统计这些单词

keyword_split 是句子对应到他的所有单词的字典，key是句子，value是他的所有单词的集合

word_count 是所有的拆分后的单词的次数的字典，key是单词，value是单词出现的次数

id_keyword_list 是一个字典，它的key是一个字符串 value是列表

id_count 是一个字典，它的key是一个字符串，value是int

最后对id_count处理将结果输出出来

id_count = sorted(id_count.items(), key=lambda x: x[1], reverse=True)
for word_id, count in id_count:
    if count < 3:
        continue
    for keyword in id_keyword_list[word_id]:
        result.append('%s\t%s' % (keyword, word_id))
    result.append('')

加载全部内容