文本相似性算法实现（二）-分组及分句热度统计

• 2020 年 3 月 3 日
• 筆記

1. 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('nr').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('nr').replace('n', '').replace('/', '').replace('，', '').replace('。', '').replace(                      '*', '')                  name = re.sub(u"([^u4e00-u9fa5u0030-u0039u0041-u005au0061-u007a])", "", name)                  sname = name[0:10] + '_' + re.sub(u"([^u4e00-u9fa5u0030-u0039u0041-u005au0061-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-u9fa5u0030-u0039u0041-u005au0061-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('nr').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

（2）软件老王-target2.xls

（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！