python?共現(xiàn)矩陣的實(shí)現(xiàn)代碼
python共現(xiàn)矩陣實(shí)現(xiàn)
最近在學(xué)習(xí)python詞庫的可視化,其中有一個(gè)依據(jù)共現(xiàn)矩陣制作的可視化,感覺十分炫酷,便以此復(fù)刻。

項(xiàng)目背景
本人利用爬蟲獲取各大博客網(wǎng)站的文章,在進(jìn)行jieba分詞,得到每篇文章的關(guān)鍵詞,對(duì)這些關(guān)鍵詞進(jìn)行共現(xiàn)矩陣的可視化。
什么是共現(xiàn)矩陣
比如我們有兩句話:
ls = ['我永遠(yuǎn)喜歡三上悠亞', '三上悠亞又出新作了']
在jieba分詞下我們可以得到如下效果:

我們就可以構(gòu)建一個(gè)以關(guān)鍵詞的共現(xiàn)矩陣:
['', '我', '永遠(yuǎn)', '喜歡', '三上', '悠亞', '又', '出', '新作', '了'] ['我', 0, 1, 1, 1, 1, 0, 0, 0, 0] ['永遠(yuǎn)', 1, 0, 1, 1, 1, 0, 0, 0, 0] ['喜歡' 1, 1, 0, 1, 1, 0, 0, 0, 0] ['三上', 1, 1, 1, 0, 1, 1, 1, 1, 1] ['悠亞', 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]]
解釋一下,“我永遠(yuǎn)喜歡三上悠亞”,這一句話中,“我”和“永遠(yuǎn)”共同出現(xiàn)了一次,在共現(xiàn)矩陣對(duì)應(yīng)的[ i ] [ j ]和[ j ][ i ]上+1,并依次類推。
基于這個(gè)原因,我們可以發(fā)現(xiàn),共現(xiàn)矩陣的特點(diǎn)是:
- 共現(xiàn)矩陣的[0][0]為空。
- 共現(xiàn)矩陣的第一行第一列是關(guān)鍵詞。
- 對(duì)角線全為0。
- 共現(xiàn)矩陣其實(shí)是一個(gè)對(duì)稱矩陣。
當(dāng)然,在實(shí)際的操作中,這些關(guān)鍵詞是需要經(jīng)過清洗的,這樣的可視化才干凈。
共現(xiàn)矩陣的構(gòu)建思路
- 每篇文章關(guān)鍵詞的二維數(shù)組data_array。
- 所有關(guān)鍵詞的集合set_word。
- 建立關(guān)鍵詞長度+1的矩陣matrix。
- 賦值矩陣的第一行與第一列為關(guān)鍵詞。
- 設(shè)置矩陣對(duì)角線為0。
- 遍歷formated_data,讓取出的行關(guān)鍵詞和取出的列關(guān)鍵詞進(jìn)行組合,共現(xiàn)則+1。
共現(xiàn)矩陣的代碼實(shí)現(xiàn)
# coding:utf-8
import numpy as np
import pandas as pd
import jieba.analyse
import os
# 獲取關(guān)鍵詞
def Get_file_keywords(dir):
data_array = [] # 每篇文章關(guān)鍵詞的二維數(shù)組
set_word = [] # 所有關(guān)鍵詞的集合
try:
fo = open('dic_test.txt', 'w+', encoding='UTF-8')
# keywords = fo.read()
for home, dirs, files in os.walk(dir): # 遍歷文件夾下的每篇文章
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分詞
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)) # 所有關(guān)鍵詞的集合
return data_array, set_word
except Exception as reason:
print('出現(xiàn)錯(cuò)誤:', reason)
return data_array, set_word
# 初始化矩陣
def build_matirx(set_word):
edge = len(set_word) + 1 # 建立矩陣,矩陣的高度和寬度為關(guān)鍵詞集合的長度+1
'''matrix = np.zeros((edge, edge), dtype=str)''' # 另一種初始化方法
matrix = [['' for j in range(edge)] for i in range(edge)] # 初始化矩陣
matrix[0][1:] = np.array(set_word)
matrix = list(map(list, zip(*matrix)))
matrix[0][1:] = np.array(set_word) # 賦值矩陣的第一行與第一列
return matrix
# 計(jì)算各個(gè)關(guān)鍵詞的共現(xiàn)次數(shù)
def count_matrix(matrix, formated_data):
for row in range(1, len(matrix)):
# 遍歷矩陣第一行,跳過下標(biāo)為0的元素
for col in range(1, len(matrix)):
# 遍歷矩陣第一列,跳過下標(biāo)為0的元素
# 實(shí)際上就是為了跳過matrix中下標(biāo)為[0][0]的元素,因?yàn)閇0][0]為空,不為關(guān)鍵詞
if matrix[0][row] == matrix[col][0]:
# 如果取出的行關(guān)鍵詞和取出的列關(guān)鍵詞相同,則其對(duì)應(yīng)的共現(xiàn)次數(shù)為0,即矩陣對(duì)角線為0
matrix[col][row] = str(0)
else:
counter = 0 # 初始化計(jì)數(shù)器
for ech in formated_data:
# 遍歷格式化后的原始數(shù)據(jù),讓取出的行關(guān)鍵詞和取出的列關(guān)鍵詞進(jìn)行組合,
# 再放到每條原始數(shù)據(jù)中查詢
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()
共現(xiàn)矩陣(共詞矩陣)計(jì)算
共現(xiàn)矩陣(共詞矩陣)
統(tǒng)計(jì)文本中兩兩詞組之間共同出現(xiàn)的次數(shù),以此來描述詞組間的親密度
code(我這里求的對(duì)角線元素為該字段在文本中出現(xiàn)的總次數(shù)):
import pandas as pd
def gx_matrix(vol_li):
# 整合一下,輸入是df列,輸出直接是矩陣
names = locals()
all_col0 = [] # 用來后續(xù)求所有字段的集合
for row in vol_li:
all_col0 += row
for each in row: # 對(duì)每行的元素進(jìn)行處理,存在該字段字典的話,再進(jìn)行后續(xù)判斷,否則創(chuàng)造該字段字典
try:
for each1 in row: # 對(duì)已存在字典,循環(huán)該行每個(gè)元素,存在則在已有次數(shù)上加一,第一次出現(xiàn)創(chuàng)建鍵值對(duì)“字段:1”
try:
names['dic_' + each][each1] = names['dic_' + each][each1] + 1 # 嘗試,一起出現(xiàn)過的話,直接加1
except:
names['dic_' + each][each1] = 1 # 沒有的話,第一次加1
except:
names['dic_' + each] = dict.fromkeys(row, 1) # 字段首次出現(xiàn),創(chuàng)造字典
# 根據(jù)生成的計(jì)數(shù)字典生成矩陣
all_col = list(set(all_col0)) # 所有的字段(所有動(dòng)物的集合)
all_col.sort(reverse=False) # 給定詞匯列表排序排序,為了和生成空矩陣的橫向列名一致
df_final0 = pd.DataFrame(columns=all_col) # 生成空矩陣
for each in all_col: # 空矩陣中每列,存在給字段字典,轉(zhuǎn)為一列存入矩陣,否則先創(chuàng)造全為零的字典,再填充進(jìn)矩陣
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', '獅子', '孔雀', '豬']
temp2 = ['大象', '獅子', '老虎', '豬']
temp3 = ['大象', '北極熊', '老虎', '豬']
temp4 = ['大象', '狗', '老虎', '小雞']
temp5 = ['狐貍', '獅子', '老虎', '豬']
temp_all = [temp2, temp1, temp3, temp4, temp5]
vol_li = pd.Series(temp_all)
df_matrix = gx_matrix(vol_li)
print(df_matrix)
輸入是整成這個(gè)樣子的series

求出每個(gè)字段與各字段的出現(xiàn)次數(shù)的字典

最后轉(zhuǎn)為df

補(bǔ)充一點(diǎn)
這里如果用大象所在列,除以大象出現(xiàn)的次數(shù),比值高的,表明兩者一起出現(xiàn)的次數(shù)多,如果這列比值中,有兩個(gè)元素a和b的比值均大于0.8(也不一定是0.8啦),就是均比較高,則說明a和b和大象三個(gè)一起出現(xiàn)的次數(shù)多?。?!
即可以求出文本中經(jīng)常一起出現(xiàn)的詞組搭配,比如這里的第二列,大象一共出現(xiàn)3次,與老虎出現(xiàn)3次,與豬出現(xiàn)2次,則可以推導(dǎo)出大象,老虎,豬一起出現(xiàn)的概率較高。
也可以把出現(xiàn)總次數(shù)拎出來,放在最后一列,則代碼為:
# 計(jì)算每個(gè)字段的出現(xiàn)次數(shù),并列為最后一行
df_final['all_times'] = ''
for each in df_final0.columns:
df_final['all_times'].loc[each] = df_final0.loc[each, each]
放在上述代碼df_final = df_final0.fillna(0)的后面即可
結(jié)果為

我第一次放代碼上來的時(shí)候中間有一塊縮進(jìn)錯(cuò)了,感謝提出問題的同學(xué)的提醒,現(xiàn)在是更正過的代碼?。?!
以上為個(gè)人經(jīng)驗(yàn),希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。
相關(guān)文章
Matplotlib多子圖使用一個(gè)圖例的實(shí)現(xiàn)
多子圖是Matplotlib中的一個(gè)功能,可以在同一圖形中創(chuàng)建多個(gè)子圖,本文主要介紹了Matplotlib多子圖使用一個(gè)圖例的實(shí)現(xiàn),感興趣的可以了解一下2023-08-08
python實(shí)現(xiàn)下載pop3郵件保存到本地
這篇文章主要為大家詳細(xì)介紹了python實(shí)現(xiàn)下載pop3郵件保存到本地的代碼,具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下2018-06-06
Python實(shí)現(xiàn)深度遍歷和廣度遍歷的方法
今天小編就為大家分享一篇Python實(shí)現(xiàn)深度遍歷和廣度遍歷的方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-01-01
python中的pygame實(shí)現(xiàn)接球小游戲
這篇文章主要介紹了python中的pygame實(shí)現(xiàn)接球小游戲,文章基于python的相關(guān)資料展開詳細(xì)的內(nèi)容,具有一定的參考價(jià)值,需要的小伙伴可以參考一下2022-04-04
Python中的二分查找Bisect庫使用實(shí)戰(zhàn)
在算法和數(shù)據(jù)結(jié)構(gòu)中,二分查找是一種高效的搜索算法,可用于有序數(shù)據(jù)集合的查找,Python的bisect庫為我們提供了便捷的二分查找實(shí)現(xiàn),本文將深入探討B(tài)isect庫的使用方法、性能優(yōu)勢(shì),并通過豐富的示例代碼展示其在實(shí)際應(yīng)用中的靈活性和效果2024-01-01
Python延時(shí)操作實(shí)現(xiàn)方法示例
這篇文章主要介紹了Python延時(shí)操作實(shí)現(xiàn)方法,結(jié)合實(shí)例形式分析了Python基于sched庫與time庫實(shí)現(xiàn)延時(shí)操作的方法,需要的朋友可以參考下2018-08-08
Python中常用操作字符串的函數(shù)與方法總結(jié)
這篇文章主要介紹了Python中常用操作字符串的函數(shù)與方法總結(jié),包括字符串的格式化輸出與拼接等基礎(chǔ)知識(shí),需要的朋友可以參考下2016-02-02

