天天热文:python 共现矩阵的实现代码
来源:脚本之家    时间:2022-07-14 09:53:59
目录
python共现矩阵实现项目背景什么是共现矩阵共现矩阵的构建思路共现矩阵的代码实现共现矩阵(共词矩阵)计算共现矩阵(共词矩阵)补充一点

python共现矩阵实现

最近在学习python词库的可视化,其中有一个依据共现矩阵制作的可视化,感觉十分炫酷,便以此复刻。

项目背景

本人利用爬虫获取各大博客网站的文章,在进行jieba分词,得到每篇文章的关键词,对这些关键词进行共现矩阵的可视化。

什么是共现矩阵

比如我们有两句话:


(资料图片仅供参考)

ls = ["我永远喜欢三上悠亚", "三上悠亚又出新作了"]

在jieba分词下我们可以得到如下效果:

我们就可以构建一个以关键词的共现矩阵:

["",    "我", "永远", "喜欢", "三上", "悠亚", "又", "出", "新作", "了"]
["我",    0,      1,     1,     1,    1,    0,    0,      0,     0]
["永远",  1,      0,     1,      1,    1,    0,    0,     0,     0] 
["喜欢"   1,      1,     0,      1,    1,    0,    0,     0,     0]
["三上",  1,      1,     1,      0,    1,    1,    1,     1,     1]
["悠亚",  1,      1,     1,      1,    0,    1,    1,     1,     1]
["又",    0,      0,     0,      1,    1,    0,    1,     1,     1]
["出",    0,      0,     0,      1,    1,    1,    0,     1,     1]
["新作",  0,      0,     0,      1,    1,    1,    1,     0,     1]
["了",    0,      0,     0,      1,    1,    1,    1,     1,     0]]

解释一下,“我永远喜欢三上悠亚”,这一句话中,“我”和“永远”共同出现了一次,在共现矩阵对应的[ i ] [ j ]和[ j ][ i ]上+1,并依次类推。

基于这个原因,我们可以发现,共现矩阵的特点是:

共现矩阵的[0][0]为空。共现矩阵的第一行第一列是关键词。对角线全为0。共现矩阵其实是一个对称矩阵。

当然,在实际的操作中,这些关键词是需要经过清洗的,这样的可视化才干净。

共现矩阵的构建思路

每篇文章关键词的二维数组data_array。所有关键词的集合set_word。建立关键词长度+1的矩阵matrix。赋值矩阵的第一行与第一列为关键词。设置矩阵对角线为0。遍历formated_data,让取出的行关键词和取出的列关键词进行组合,共现则+1。

共现矩阵的代码实现

# coding:utf-8
import numpy as np
import pandas as pd
import jieba.analyse
import os
# 获取关键词
def Get_file_keywords(dir):
    data_array = []  # 每篇文章关键词的二维数组
    set_word = []  # 所有关键词的集合
    try:
        fo = open("dic_test.txt", "w+", encoding="UTF-8")
        # keywords = fo.read()
        for home, dirs, files in os.walk(dir):  # 遍历文件夹下的每篇文章
            for filename in files:
                fullname = os.path.join(home, filename)
                f = open(fullname, "r", encoding="UTF-8")
                sentence = f.read()
                words = " ".join(jieba.analyse.extract_tags(sentence=sentence, topK=30, withWeight=False,
                                                            allowPOS=("n")))  # TF-IDF分词
                words = words.split(" ")
                data_array.append(words)
                for word in words:
                    if word not in set_word:
                        set_word.append(word)
        set_word = list(set(set_word))  # 所有关键词的集合
        return data_array, set_word
    except Exception as reason:
        print("出现错误:", reason)
        return data_array, set_word
# 初始化矩阵
def build_matirx(set_word):
    edge = len(set_word) + 1  # 建立矩阵,矩阵的高度和宽度为关键词集合的长度+1
    """matrix = np.zeros((edge, edge), dtype=str)"""  # 另一种初始化方法
    matrix = [["" for j in range(edge)] for i in range(edge)]  # 初始化矩阵
    matrix[0][1:] = np.array(set_word)
    matrix = list(map(list, zip(*matrix)))
    matrix[0][1:] = np.array(set_word)  # 赋值矩阵的第一行与第一列
    return matrix
# 计算各个关键词的共现次数
def count_matrix(matrix, formated_data):
    for row in range(1, len(matrix)):
        # 遍历矩阵第一行,跳过下标为0的元素
        for col in range(1, len(matrix)):
            # 遍历矩阵第一列,跳过下标为0的元素
            # 实际上就是为了跳过matrix中下标为[0][0]的元素,因为[0][0]为空,不为关键词
            if matrix[0][row] == matrix[col][0]:
                # 如果取出的行关键词和取出的列关键词相同,则其对应的共现次数为0,即矩阵对角线为0
                matrix[col][row] = str(0)
            else:
                counter = 0  # 初始化计数器
                for ech in formated_data:
                    # 遍历格式化后的原始数据,让取出的行关键词和取出的列关键词进行组合,
                    # 再放到每条原始数据中查询
                    if matrix[0][row] in ech and matrix[col][0] in ech:
                        counter += 1
                    else:
                        continue
                matrix[col][row] = str(counter)
    return matrix
def main():
    formated_data, set_word = Get_file_keywords(r"D:\untitled\test")
    print(set_word)
    print(formated_data)
    matrix = build_matirx(set_word)
    matrix = count_matrix(matrix, formated_data)
    data1 = pd.DataFrame(matrix)
    data1.to_csv("data.csv", index=0, columns=None, encoding="utf_8_sig")
main()

共现矩阵(共词矩阵)计算

共现矩阵(共词矩阵)

统计文本中两两词组之间共同出现的次数,以此来描述词组间的亲密度

code(我这里求的对角线元素为该字段在文本中出现的总次数):

import pandas as pd
def gx_matrix(vol_li):
    # 整合一下,输入是df列,输出直接是矩阵
    names = locals()
    all_col0 = []   # 用来后续求所有字段的集合
    for row in vol_li:
        all_col0 += row
	    for each in row:  # 对每行的元素进行处理,存在该字段字典的话,再进行后续判断,否则创造该字段字典
	        try:
	            for each1 in row:  # 对已存在字典,循环该行每个元素,存在则在已有次数上加一,第一次出现创建键值对“字段:1”
	                try:
	                    names["dic_" + each][each1] = names["dic_" + each][each1] + 1  # 尝试,一起出现过的话,直接加1
	                except:
	                    names["dic_" + each][each1] = 1  # 没有的话,第一次加1
	        except:
	            names["dic_" + each] = dict.fromkeys(row, 1)  # 字段首次出现,创造字典
    # 根据生成的计数字典生成矩阵
    all_col = list(set(all_col0))   # 所有的字段(所有动物的集合)
    all_col.sort(reverse=False)  # 给定词汇列表排序排序,为了和生成空矩阵的横向列名一致
    df_final0 = pd.DataFrame(columns=all_col)  # 生成空矩阵
    for each in all_col:  # 空矩阵中每列,存在给字段字典,转为一列存入矩阵,否则先创造全为零的字典,再填充进矩阵
        try:
            temp = pd.DataFrame(names["dic_" + each], index=[each])
        except:
            names["dic_" + each] = dict.fromkeys(all_col, 0)
            temp = pd.DataFrame(names["dic_" + each], index=[each])
        df_final0 = pd.concat([df_final0, temp])  # 拼接
    df_final = df_final0.fillna(0)
    return df_final
if __name__ == "__main__":
    temp1 = ["狗", "狮子", "孔雀", "猪"]
    temp2 = ["大象", "狮子", "老虎", "猪"]
    temp3 = ["大象", "北极熊", "老虎", "猪"]
    temp4 = ["大象", "狗", "老虎", "小鸡"]
    temp5 = ["狐狸", "狮子", "老虎", "猪"]
    temp_all = [temp2, temp1, temp3, temp4, temp5]
    vol_li = pd.Series(temp_all)
    df_matrix = gx_matrix(vol_li)
    print(df_matrix)

输入是整成这个样子的series

求出每个字段与各字段的出现次数的字典

最后转为df

补充一点

这里如果用大象所在列,除以大象出现的次数,比值高的,表明两者一起出现的次数多,如果这列比值中,有两个元素a和b的比值均大于0.8(也不一定是0.8啦),就是均比较高,则说明a和b和大象三个一起出现的次数多!!!

即可以求出文本中经常一起出现的词组搭配,比如这里的第二列,大象一共出现3次,与老虎出现3次,与猪出现2次,则可以推导出大象,老虎,猪一起出现的概率较高。

也可以把出现总次数拎出来,放在最后一列,则代码为:

# 计算每个字段的出现次数,并列为最后一行
    df_final["all_times"] = ""
    for each in df_final0.columns:
        df_final["all_times"].loc[each] = df_final0.loc[each, each]

放在上述代码df_final = df_final0.fillna(0)的后面即可

结果为

我第一次放代码上来的时候中间有一块缩进错了,感谢提出问题的同学的提醒,现在是更正过的代码!!!

以上为个人经验,希望能给大家一个参考,也希望大家多多支持脚本之家。

关键词: 原始数据 生成矩阵 希望大家

上一篇:

下一篇:

X 关闭

X 关闭