如題,想實現(xiàn)使用TF-IDF提取文章關(guān)鍵詞的程序,我已經(jīng)將去停用詞的部分實現(xiàn)了,現(xiàn)在的.txt文件中的內(nèi)容如下圖:
是中英文混合的,文件的內(nèi)容規(guī)格是這樣的:1、文件的每一行是一篇文章;2、根據(jù)圖中顯示的行數(shù),一共有15篇文章。
現(xiàn)在想把每一篇文章中TF-IDF得分排名前10的關(guān)鍵詞提取出來寫入到文件中,請問如何實現(xiàn)這個程序?
假如現(xiàn)在文件的路徑在D:\delsw_原文(D盤的根目錄下)。
我想說一下我遇到的問題,我的問題是:1、我想使用readline()方法讀入每行,然后一行一行的處理,但是我試了很多程序總是寫不對,readline()之后每一行是字符串形式的,我想用“空格”將每個詞區(qū)分,但是沒能做到;2、我想用列表list存儲每一行的內(nèi)容,處理完一行之后就清空接著處理下一行,循環(huán)。理論感覺挺簡單的但是對于新手真的不好實現(xiàn),所以求教一下各位大神了,謝謝!
附上TF-IDF的公式:
TF(詞頻)=該詞在文章中出現(xiàn)的次數(shù)/該文章的總詞數(shù)
IDF(逆文檔頻率)=log(文檔總數(shù)/包含該詞的文檔數(shù)+1)
TF-IDF=TF*IDF
希望大神能幫忙實現(xiàn)一下,非常感謝!
北大青鳥APTECH成立于1999年。依托北京大學(xué)優(yōu)質(zhì)雄厚的教育資源和背景,秉承“教育改變生活”的發(fā)展理念,致力于培養(yǎng)中國IT技能型緊缺人才,是大數(shù)據(jù)專業(yè)的國家
達內(nèi)教育集團成立于2002年,是一家由留學(xué)海歸創(chuàng)辦的高端職業(yè)教育培訓(xùn)機構(gòu),是中國一站式人才培養(yǎng)平臺、一站式人才輸送平臺。2014年4月3日在美國成功上市,融資1
北大課工場是北京大學(xué)校辦產(chǎn)業(yè)為響應(yīng)國家深化產(chǎn)教融合/校企合作的政策,積極推進“中國制造2025”,實現(xiàn)中華民族偉大復(fù)興的升級產(chǎn)業(yè)鏈。利用北京大學(xué)優(yōu)質(zhì)教育資源及背
博為峰,中國職業(yè)人才培訓(xùn)領(lǐng)域的先行者
曾工作于聯(lián)想擔(dān)任系統(tǒng)開發(fā)工程師,曾在博彥科技股份有限公司擔(dān)任項目經(jīng)理從事移動互聯(lián)網(wǎng)管理及研發(fā)工作,曾創(chuàng)辦藍懿科技有限責(zé)任公司從事總經(jīng)理職務(wù)負(fù)責(zé)iOS教學(xué)及管理工作。
浪潮集團項目經(jīng)理。精通Java與.NET 技術(shù), 熟練的跨平臺面向?qū)ο箝_發(fā)經(jīng)驗,技術(shù)功底深厚。 授課風(fēng)格 授課風(fēng)格清新自然、條理清晰、主次分明、重點難點突出、引人入勝。
精通HTML5和CSS3;Javascript及主流js庫,具有快速界面開發(fā)的能力,對瀏覽器兼容性、前端性能優(yōu)化等有深入理解。精通網(wǎng)頁制作和網(wǎng)頁游戲開發(fā)。
具有10 年的Java 企業(yè)應(yīng)用開發(fā)經(jīng)驗。曾經(jīng)歷任德國Software AG 技術(shù)顧問,美國Dachieve 系統(tǒng)架構(gòu)師,美國AngelEngineers Inc. 系統(tǒng)架構(gòu)師。