参考代码

ChineseClean_demo1.py：

# -*- coding:utf-8 -*-

import xlrd

import xlwt

'''

python3.4

'''

# file 表示源文件名字，修改此处即可

file="./data/answer_detail_5_15307860968687.xls"

dirs="./result"

def read_excel(rows_numb,cols_numb):

    f = xlwt.Workbook() #创建工作簿

    '''

    创建第一个sheet:

    sheet1

    '''

    sheet1 = f.add_sheet(u'sheet1_1',cell_overwrite_ok=True) #创建sheet

    sheet2 = f.add_sheet(u'sheet1_2',cell_overwrite_ok=True) #创建sheet

    row0 = [u'UserNo',u'Name',u'Question',u'Answer',u'Layer',u'Mark',u'Score',u'AbilityID']

    # 打开文件

    workbook = xlrd.open_workbook(file)

    sheet0 = workbook.sheet_by_index(0) # sheet索引从0开始

    cols = sheet0.col_values(cols_numb)

    rows_list_1=[]

    rows_list_2=[]

    for i in range(1,len(cols)):

        if cols[i] == '0':

            rows_list_1.append(i)

        else:

            rows_list_2.append(i)

    for i in range(0,len(row0)):

        sheet1.write(0,i,row0[i])

        sheet2.write(0,i,row0[i])

    '''

    sheet1_1保存0分数据

    '''

    for j in range(0,len(rows_list_1)):

        rows = sheet0.row_values(rows_list_1[j]) # 获取行内容

        for i in range(0,len(rows)):

            sheet1.write(j+1,i,rows[i])

    '''

    sheet1_2保存非0分数据

    '''

    for j in range(0,len(rows_list_2)):

        rows = sheet0.row_values(rows_list_2[j]) # 获取行内容

        for i in range(0,len(rows)):

            sheet2.write(j+1,i,rows[i])

    f.save('./data/demo1.xls') #保存文件

if __name__ == '__main__':

    # 读取文件的行和列

    rows_numb=0

    cols_numb=6

    read_excel(rows_numb,cols_numb)

ChineseClean_demo2.py：

# -*- coding:utf-8 -*-

import xlrd

import xlwt

'''

python3.4

'''

# file 表示源文件名字，修改此处即可

file="./data/demo1.xls"

def read_excel(rows_numb,cols_numb):

    f = xlwt.Workbook() #创建工作簿

    '''

    创建第sheet:

    '''

    sheet1 = f.add_sheet(u'sheet2_1',cell_overwrite_ok=True) #创建sheet

    sheet2 = f.add_sheet(u'sheet2_2',cell_overwrite_ok=True) #创建sheet

    sheet3 = f.add_sheet(u'sheet2_3',cell_overwrite_ok=True) #创建sheet

    sheet4 = f.add_sheet(u'sheet2_4',cell_overwrite_ok=True) #创建sheet

    row0 = [u'UserNo',u'Name',u'Question',u'Answer',u'Layer',u'Mark',u'Score',u'AbilityID']

    for i in range(0,len(row0)):

        sheet1.write(0,i,row0[i])

        sheet2.write(0,i,row0[i])

        sheet3.write(0,i,row0[i])

        sheet4.write(0,i,row0[i])

    # 打开文件

    workbook = xlrd.open_workbook(file)

    sheet0 = workbook.sheet_by_index(0) # sheet索引从0开始

    cols = sheet0.col_values(cols_numb) # 获取列内容

    rows_list_1=[]

    rows_list_2=[]

    rows_list_3=[]

    rows_list_4=[]

    for i in range(1,len(cols)):

        if float(cols[i]) < 12.0:

            rows_list_1.append(i)

        if float(cols[i]) >= 12.0 and float(cols[i]) < 16.0:

            rows_list_2.append(i)

        if float(cols[i]) >= 16.0 and float(cols[i]) < 18.0:

            rows_list_3.append(i)

        if float(cols[i]) >= 18.0:

            print(i)

            print(type(cols[i]))

            exit()

            rows_list_4.append(i)

    '''

    sheet2_1保存差，小于12分

    '''

    for j in range(0,len(rows_list_1)):

        rows = sheet0.row_values(rows_list_1[j]) # 获取行内容

        for i in range(0,len(rows)):

            sheet1.write(j+1,i,rows[i])

    '''

    sheet2_2保存中，大于等于12，且小于16分

    '''

    for j in range(0,len(rows_list_2)):

        rows = sheet0.row_values(rows_list_2[j]) # 获取行内容

        for i in range(0,len(rows)):

            sheet2.write(j+1,i,rows[i])

    '''

    sheet2_3保存良，大于等于16，且小于18分

    '''

    for j in range(0,len(rows_list_3)):

        rows = sheet0.row_values(rows_list_3[j]) # 获取行内容

        for i in range(0,len(rows)):

            sheet3.write(j+1,i,rows[i])

    '''

    sheet2_4保存优，大于等于18分

    '''

    for j in range(0,len(rows_list_4)):

        rows = sheet0.row_values(rows_list_4[j]) # 获取行内容

        for i in range(0,len(rows)):

            sheet4.write(j+1,i,rows[i])

    f.save('./data/demo2.xls')

if __name__ == '__main__':

    # 读取文件的行和列

    rows_numb=0

    cols_numb=6

    read_excel(rows_numb,cols_numb)

ChineseClean_demo3.py:

# -*- coding:utf-8 -*-

import xlrd

import xlwt

'''

python3.4

'''

file="./data/answer_detail_5_15307860968687.xls"

def read_excel(rows_numb,cols_numb):

    f = xlwt.Workbook() #创建工作簿

    '''

    创建第一个sheet:

    sheet1

    '''

    sheet1 = f.add_sheet(u'sheet1',cell_overwrite_ok=True) #创建sheet

    sheet2 = f.add_sheet(u'sheet2',cell_overwrite_ok=True) #创建sheet

    sheet3 = f.add_sheet(u'sheet3',cell_overwrite_ok=True) #创建sheet

    sheet4 = f.add_sheet(u'sheet4',cell_overwrite_ok=True) #创建sheet

    sheet5 = f.add_sheet(u'sheet5',cell_overwrite_ok=True)

    row0 = [u'UserNo',u'Name',u'Question',u'Answer',u'Layer',u'Mark',u'Score',u'AbilityID']

    for i in range(0,len(row0)):

        sheet1.write(0,i,row0[i])

        sheet2.write(0,i,row0[i])

        sheet3.write(0,i,row0[i])

        sheet4.write(0,i,row0[i])

        sheet5.write(0,i,row0[i])

    # 打开文件

    workbook = xlrd.open_workbook(file)

    sheet0 = workbook.sheet_by_index(0) # sheet索引从0开始

    cols = sheet0.col_values(cols_numb) # 获取列内容

    rows_list_1=[]

    rows_list_2=[]

    rows_list_3=[]

    rows_list_4=[]

    rows_list_5=[]

    for i in range(1,len(cols)):

        if cols[i] == '100012':

            rows_list_1.append(i)

        if cols[i] == '100014':

            rows_list_2.append(i)

        if cols[i] == '100007':

            rows_list_3.append(i)

        if cols[i] == '100016':

            rows_list_4.append(i)

        if cols[i] == '100017':

            print(i)

            print(type(cols[i]))

            rows_list_5.append(i)

    '''

    sheet1保存

    '''

    for j in range(0,len(rows_list_1)):

        rows = sheet0.row_values(rows_list_1[j]) # 获取第四行内容

        for i in range(0,len(rows)):

            sheet1.write(j+1,i,rows[i])

    '''

    sheet2保存

    '''

    for j in range(0,len(rows_list_2)):

        rows = sheet0.row_values(rows_list_2[j]) # 获取第四行内容

        for i in range(0,len(rows)):

            sheet2.write(j+1,i,rows[i])

    '''

    sheet3保存

    '''

    for j in range(0,len(rows_list_3)):

        rows = sheet0.row_values(rows_list_3[j]) # 获取第四行内容

        for i in range(0,len(rows)):

            sheet3.write(j+1,i,rows[i])

    '''

    sheet4保存

    '''

    for j in range(0,len(rows_list_4)):

        rows = sheet0.row_values(rows_list_4[j]) # 获取第四行内容

        for i in range(0,len(rows)):

            sheet4.write(j+1,i,rows[i])

    '''

    sheet5保存

    '''

    for j in range(0,len(rows_list_5)):

        rows = sheet0.row_values(rows_list_5[j]) # 获取第四行内容

        for i in range(0,len(rows)):

            sheet5.write(j+1,i,rows[i])

    f.save('./data/demo3.xls') #保存文件

if __name__ == '__main__':

    # 读取文件的行和列

    rows_numb=0

    cols_numb=7

    read_excel(rows_numb,cols_numb)

ChineseClean_demo4or5.py：

同ChineseClean_demo3.py

ChineseClean_answer_QA.py：

# -*- coding:utf-8 -*-

import re

import xlrd

file="./data/demo5.xls"

dirs="./result"

def read_excel(rows_numb,cols1_numb):

    number='1'

    f2 = open(dirs+'./demo5_sheet1_%s.csv'%number, 'a', encoding='utf-8')

    # 打开文件

    workbook = xlrd.open_workbook(file)

    sheet0 = workbook.sheet_by_index(int(number)-1) # sheet索引从0开始

    cols1 = sheet0.col_values(cols1_numb[3]) [1:]# 获取列内容

    p1 = r"(?:[\u2E80-\uFFFD]|[\u201c-\u201d]|[\u002d]|[\u003a])+"

    pattern1 = re.compile(p1)

    for i in range(len(cols1)):

        matcher1 = re.findall(pattern1, cols1[i])

        str1=str()

        if matcher1:

            str1 = ' '.join(matcher1)

            f2.write(str1)

        f2.write('\n')

    f2.close()

if __name__ == '__main__':

    # 读取文件的行和列

    rows_numb=0

    cols1_numb=[0,1,2,3,4,5,6,7]

    read_excel(rows_numb,cols1_numb)

qa_test_clean_word.py：

# -*- coding: utf-8 -*-

import jieba

# 创建停用词list

def stopwordslist(filepath):

    stopwords = [line.strip() for line in open(filepath, 'r', encoding='utf-8').readlines()]

    return stopwords

# 对句子进行分词

def seg_sentence(sentence):

    sentence_seged = jieba.lcut_for_search(sentence.strip(),HMM=True)

    stopwords = stopwordslist('./test/stopwords.txt')  # 这里加载停用词的路径

    outstr = ''

    for word in sentence_seged:

        if word not in stopwords:

            if word != '\t':

                outstr += word

                outstr += " "

    return(outstr)

inputs = open('./data/demo5_answer_csv/demo5_sheet5_5.csv', 'r', encoding='utf-8')

outputs = open('./test/demo5_sheet5_5_5.csv', 'w')

for line in inputs:

    line_seg = seg_sentence(line)

    try:

        if len(line_seg):

            outputs.write(line_seg + '\n')

    except:

        pass

outputs.close()

inputs.close()

word_fre.py:

# -*- coding: utf-8 -*-

import matplotlib.pyplot as plt

from matplotlib.font_manager import *

import numpy as np

def drawStatBarh():

    '''

    画出词频统计条形图，用渐变颜色显示，选取前N个词频

    '''

    fig, ax = plt.subplots()

    myfont = FontProperties(fname='./data/simfang.ttf')

    N = 30

    words = []

    counts = []

    for line in open('./data/word_fre.txt'):

        if line == '\n':

            continue

        line.strip('\n')

        words.append(line.split(' ')[0])

        print(line.split(' ')[0])

        # exit()

        counts.append(int(line.split(' ')[1].strip('\n')))

    y_pos = np.arange(N)

    colors = ['#FA8072'] #这里是为了实现条状的渐变效果，以该色号为基本色实现渐变效果

    for i in range(len(words[:N]) - 1):

        colors.append('#FA' + str(int(colors[-1][3:]) - 1))

    rects = ax.barh(y_pos, counts[:N], align='center', color=colors)

    ax.set_yticks(np.arange(N))

    ax.set_yticklabels(words[:N],fontproperties=myfont)

    ax.invert_yaxis()  # labels read top-to-bottom

    ax.set_title('报告中的高频词汇',fontproperties=myfont, fontsize=17)

    ax.set_xlabel(u"出现次数",fontproperties=myfont)

    autolabel(rects, ax)

    plt.show()

def autolabel(rects, ax):

    """

    给条形图加上文字标签

    """

    #fig, ax = plt.subplots()

    for rect in rects:

        width = rect.get_width()

        ax.text(1.03 * width, rect.get_y() + rect.get_height()/2.,

            '%d' % int(width),ha='center', va='center')

def wordCount(segment_list):

    '''

        该函数实现词频的统计，并将统计结果存储至本地。

        在制作词云的过程中用不到，主要是在画词频统计图时用到。

    '''

    word_lst = []

    word_dict = {}

    with open('./data/word_fre.txt','w') as wf2:

        word_lst.append(segment_list.split(' '))

        for item in word_lst:

            for item2 in item:

                if item2 not in word_dict:

                    word_dict[item2] = 1

                else:

                    word_dict[item2] += 1

        # print(type(word_dict))

        # print(word_dict)

        word_dict_sorted =list(sorted(word_dict.items(),key = lambda jj:jj[1],reverse=True))#list是关键，按照词频从大到小排序

        # word_dict_sorted = dict(sorted(word_dict.items(),key = lambda item:item[1], reverse=True))#按照词频从大到小排序

        print(word_dict_sorted)

        # exit()

        for tup in word_dict_sorted:

            # print(type(tup))

            # print(tup)

            # exit()

            if tup[0] != '':

                wf2.write(tup[0].strip('\n')+' '+str(tup[1])+'\n')

    wf2.close()

if __name__ == "__main__":

    segment_list_remove_stopwords=open('./data/demo5_sheet5_1_1.csv').read()

    wordCount(segment_list_remove_stopwords)

    drawStatBarh()

wordcloud_test2.py:

# - * - coding: utf - 8 -*-

from os import path

from scipy.misc import imread

import matplotlib.pyplot as plt

import jieba

# jieba.load_userdict("txt\userdict.txt")

# 添加用户词库为主词典,原词典变为非主词典

from wordcloud import WordCloud, ImageColorGenerator

# 获取当前文件路径

# __file__ 为当前文件, 在ide中运行此行会报错,可改为

# d = path.dirname('.')

d = path.dirname(__file__)

stopwords = {}

isCN = 1 #默认启用中文分词

back_coloring_path = "data/lz1.jpg" # 设置背景图片路径

text_path = 'data/demo5_sheet5_1_1.csv' #设置要分析的文本路径,讲原始文件转化为‘ANSI编码即可’

font_path = 'data/simfang.ttf' # 为matplotlib设置中文字体路径

stopwords_path = 'data/stopwords.txt' # 停用词词表

imgname1 = "data/WordCloudDefautColors.png" # 保存的图片名字1(只按照背景图片形状)

imgname2 = "data/WordCloudColorsByImg.png"# 保存的图片名字2(颜色按照背景图片颜色布局生成)

# my_words_list = ['CHENGLEI'] # 在结巴的词库中添加新词

back_coloring = imread(path.join(d, back_coloring_path))# 设置背景图片

# 设置词云属性

wc = WordCloud(font_path=font_path,  # 设置字体

               background_color="white",  # 背景颜色

               max_words=2000,  # 词云显示的最大词数

               mask=back_coloring,  # 设置背景图片

               max_font_size=100,  # 字体最大值

               random_state=42,

               width=1000, height=860, margin=2,# 设置图片默认的大小,但是如果使用背景图片的话,那么保存的图片大小将会按照其大小保存,margin为词语边缘距离

               )

# 添加自己的词库分词

# def add_word(list):

#     for items in list:

#         jieba.add_word(items)

# add_word(my_words_list)

text = open(path.join(d, text_path)).read()

# def jiebaclearText(text):

#     mywordlist = []

#     seg_list = jieba.cut(text, cut_all=False)

#     liststr="/ ".join(seg_list)

#     f_stop = open(stopwords_path)

#     try:

#         f_stop_text = f_stop.read( )

#         f_stop_text=unicode(f_stop_text,'utf-8')

#     finally:

#         f_stop.close( )

#     f_stop_seg_list=f_stop_text.split('\n')

#     for myword in liststr.split('/'):

#         if not(myword.strip() in f_stop_seg_list) and len(myword.strip())>1:

#             mywordlist.append(myword)

#     return ''.join(mywordlist)

#

# if isCN:

#     text = jiebaclearText(text)

# 生成词云, 可以用generate输入全部文本(wordcloud对中文分词支持不好,建议启用中文分词),也可以我们计算好词频后使用generate_from_frequencies函数

wc.generate(text)

# wc.generate_from_frequencies(text)

# txt_freq例子为[('词a', 100),('词b', 90),('词c', 80)]

# 从背景图片生成颜色值

image_colors = ImageColorGenerator(back_coloring)

plt.figure()

# 以下代码显示图片

plt.imshow(wc)

plt.axis("off")

plt.show()

# 绘制词云

# 保存图片

wc.to_file(path.join(d, imgname1))

image_colors = ImageColorGenerator(back_coloring)

plt.imshow(wc.recolor(color_func=image_colors))

plt.axis("off")

# 绘制背景图片为颜色的图片

plt.figure()

plt.imshow(back_coloring, cmap=plt.cm.gray)

plt.axis("off")

plt.show()

# 保存图片

wc.to_file(path.join(d, imgname2))

lda_test_ok.py：

# coding=utf-8        

import numpy as np

import matplotlib.pyplot as plt

from sklearn.feature_extraction.text import CountVectorizer

import lda

def doc_topic_word():

    print(doc_topic[:, :3])#输出文档主题分布情况(前3列)

    print(topic_word[:, :3])#输出主题词分布情况(前3列)，采用ifidf计算词频

#导出分布图

def plot_1():

    # 计算各个主题中单词权重分布的情况

    f, ax= plt.subplots(2, 1, figsize=(6, 6), sharex=True)

    for i, k in enumerate([0, 9]):         #任意选择两个主题

        ax[i].stem(topic_word[k,:], linefmt='b-',

                   markerfmt='bo', basefmt='w-')

        ax[i].set_xlim(-2,2000)

        ax[i].set_ylim(0, 1)

        ax[i].set_ylabel("Prob")

        ax[i].set_title("topic {}".format(k)) 

    ax[1].set_xlabel("word")

    plt.tight_layout()

    plt.show()

def plot_2():

    # 计算文档具体分布在那个主题，代码如下所示：

    f, ax= plt.subplots(2, 1, figsize=(8, 8), sharex=True)

    for i, k in enumerate([0,9]):  #任意选择两个主题

        ax[i].stem(doc_topic[k,:], linefmt='r-',

                   markerfmt='ro', basefmt='w-')

        ax[i].set_xlim(-1, 20)     #x坐标下标,即主题的取值范围

        ax[i].set_ylim(0, 1.2)    #y坐标下标

        ax[i].set_ylabel("Prob")

        ax[i].set_title("Document {}".format(k))

    ax[1].set_xlabel("Topic")

    plt.tight_layout()

    plt.show() 

if __name__ == "__main__":

    #存储读取语料 一行预料为一个文档

    corpus = []

    for line in open('./data/demo5_sheet5_1_1.csv', 'r').readlines():

        corpus.append(line.strip())

    #将文本中的词语转换为词频矩阵 矩阵元素a[i][j] 表示j词在i类文本下的词频

    vectorizer = CountVectorizer()

    print (vectorizer)

    X = vectorizer.fit_transform(corpus)

    analyze = vectorizer.build_analyzer()

    weight = X.toarray()

    print("type(X): {}".format(type(X)))

    print("shape: {}\n".format(X.shape))

    print (len(weight))

    print (weight[:5, :5])

    #LDA算法

    print ('LDA:')

    model = lda.LDA(n_topics=20, n_iter=50, random_state=1)

    # model.fit_transform(X)

    model.fit(np.asarray(weight))     # model.fit_transform(X) is also available?

    topic_word = model.topic_word_    # model.components_ also works

    #文档-主题（Document-Topic）分布

    doc_topic = model.doc_topic_

    print("type(doc_topic): {}".format(type(doc_topic)))

    print("shape: {}".format(doc_topic.shape))

    #输出前10篇文章最可能的Topic

    label = []

    for n in range(10):

        topic_most_pr = doc_topic[n].argmax()

        label.append(topic_most_pr)

        print("doc: {} topic: {}".format(n, topic_most_pr))

    #输出主题中的TopN关键词

    word = vectorizer.get_feature_names()

    n = 6

    for i, topic_dist in enumerate(topic_word):

        topic_words = np.array(word)[np.argsort(topic_dist)][:-(n+1):-1]

        print(u'*Topic {}\n- {}'.format(i, ' '.join(topic_words))) 

    # doc_topic_word()

    # plot_1()

    plot_2()

gensimTopicTest0803.py:

# coding=utf-8

import re

import xlrd

import codecs

import jieba

from gensim import corpora, models, similarities

FILE="demo5"#选择要训练的文件

ID='1'#选择要训练的能力ID

# 读取停用词表

stopwords = [line.strip() for line in codecs.open('./data/stopwords.txt', 'r', encoding='utf-8').readlines()]

def cleanAnswer(cols_numb):

    f1 = open('./result/%s_sheet%s.csv'%(FILE,ID), 'a', encoding='utf-8')

    # 打开文件

    workbook = xlrd.open_workbook('./data/%s.xls'%FILE)

    #根据sheet索引或者名称获取sheet内容

    sheet0 = workbook.sheet_by_index(int(ID)-1) # sheet索引从0开始

    cols1 = sheet0.col_values(cols_numb[3])[1:]# 获取第三列内容,从第一行开始

    p1 = r"(?:[\u2E80-\uFFFD]|[\u201c-\u201d]|[\u002d]|[\u003a])+"#(?:）不获取匹配，即不获取括号内的匹配，括号内使用UNICODE编码匹配

    pattern1 = re.compile(p1)

    for i in range(len(cols1)):

        matcher1 = re.findall(pattern1, cols1[i])#以列表形式返回所有能匹配到的子串

        str1=str()

        if matcher1:

            str1 =''.join(matcher1)

            f1.write(str1.strip())

        f1.write('\n')

    f1.close()

def ldaAnaly():

    print("构造分词库-----train-----")

    #去停用词，构建分词库

    train = []

    fp = codecs.open('./result/%s_sheet%s.csv'%(FILE,ID),'r',encoding='utf8')

    for line in fp.readlines():

        line = line.strip()

        if not len(line):#判断是否为空行

            continue

        outstr = ' '

        seg_list =jieba.cut(line,cut_all=False)#采用精确模式分词，效果最好

        for word in seg_list:

            if word not in stopwords:

                if word != '\t':

                    outstr += word

                    outstr += " "

        train.append(outstr.strip().split(" "))#字符串转列表

    fp.close()

    print("构造分词库,并保存----“dict_v1.dict”----")

    dic = corpora.Dictionary(train)

    dic.save('./result/dict_v1.dict')

    print("保存可读取的分词库----“dic.csv”----")

    fd = codecs.open('./result/dic.csv', 'a',encoding = 'utf-8')

    for word,index in dic.token2id.items():

        fd.write(word +':'+ str(index)+'\n')

    fd.close()

    print("生成语料库，并保存-----“corpus.mm”-----")

    corpus = [dic.doc2bow(text) for text in train]

    corpora.MmCorpus.serialize('./result/corpus.mm', corpus)

    print("保存tfidf模型-----“corpus.tfidf_model”-----")

    tfidf = models.TfidfModel(corpus)

    tfidf.save('./result/corpus.tfidf_model')

    print("进行LDA主题分析，并保存-----“ldaModel.pkl”-----")

    #使用tf-idf模型训练语料库

    corpus_tfidf = tfidf[corpus]

    #设置100个LDA主题，使用500次迭代

    lda = models.LdaModel(corpus_tfidf, id2word=dic, num_topics=100, iterations=500 )

    lda.save('./result/ldaModel.pkl')

    print("评估文章属于不同主题的概率，一个词对文章的重要性-----“Demo：评估文章1”-----")

    for index, score in sorted(lda[corpus_tfidf[0]], key=lambda tup: -1 * tup[1]):

        print("Score: {}\t Topic: {}".format(score, lda.print_topic(index, 10)))

    # 输出100个主题

    # ldaOut = lda.print_topics(100)

    # print("默认返回每个主题的前10的概率最大的词")

    # print (ldaOut[0])

    # print (ldaOut[1])

    # print (ldaOut[2])

    # corpus_lda = lda[corpus_tfidf]

    # print("每篇文章属于不同主题的概率分布")

    # k = 0

    # for doc in corpus_lda:

    #     print(doc)

    #     k += 1

    #     if k == 3:

    #         break

def questionAnswer(cols_numb, questionNumber):

    lda = models.LdaModel.load('./result/ldaModel.pkl')

    dic = corpora.Dictionary.load('./result/dict_v1.dict')

    corpus = corpora.MmCorpus('./result/corpus.mm')

    tfidf = models.TfidfModel.load('./result/corpus.tfidf_model')

    # print("输入一个问题------------------")

    f1 = open('./result/%s_sheet%s.csv'%(FILE,ID), 'a', encoding='utf-8')

    # 打开文件

    workbook = xlrd.open_workbook('./data/%s.xls'%FILE)

    sheet0 = workbook.sheet_by_index(int(ID)-1) # sheet索引从0开始

    cols0 = sheet0.col_values(cols_numb[3])[questionNumber]  # 获取第三列内容,从第一行开始

    #对问题进行去乱码

    p1 = r"(?:[\u2E80-\uFFFD]|[\u201c-\u201d]|[\u002d]|[\u003a])+"#(?:）不获取匹配，即不获取括号内的匹配，括号内使用UNICODE编码匹配

    pattern1 = re.compile(p1)

    matcher1 = re.findall(pattern1, cols0)#以列表形式返回所有能匹配到的子串

    query=str()

    if matcher1:

        query =''.join(matcher1)

    # print("待预测的问题(去乱码)：", query)

    #对问题进行分词

    seg_list = jieba.cut(query, cut_all=False)

    outstr = ' '

    for word in seg_list:

        if word not in stopwords:

            if word != '\t':

                outstr += word

                outstr += " "

    inputTest=list(outstr.strip().split(" "))

    # print("分词后的问题(去停用词)：", inputTest)

    #将问题转成词袋

    query_bow = dic.doc2bow(inputTest)

    # print("生成的词袋：", query_bow)

    #需要对查询语句进行tfidf转化

    query_tfidf = tfidf[query_bow]

    lda_vec_tfidf = lda[query_tfidf]

    # print("问题对应的主题概率(tfidf)", lda_vec_tfidf)

    # print("预测问题属于不同主题的概率--------------------")

    #输出主题概率的代码

    # for index, score in sorted(lda_vec_tfidf, key=lambda tup: -1 * tup[1]):

    #     print("Score: {}\t Topic: {}".format(score, lda.print_topic(index, 20)))

    # print("预测问题与数据库中的哪些问题相似，并给出相似度排序(tfidf)--------------------")

    #进行相似性检索

    similarity = similarities.MatrixSimilarity(corpus)

    #在TFIDF的基础上，进行相似性检测。query_lsi需要进行预先处理。先变化为dow2bow,然后tfidf.

    lda_vec = lda[query_bow]

    # sims = similarity[lda_vec] #相似度检测的词袋为no-tfidf

    sims = similarity[lda_vec_tfidf] #相似度检测的词袋为tfidf

    #先枚举出来，后进行排序输出

    listSims = enumerate(sims)

    sort_sims = sorted(listSims, key=lambda item: -item[1])

    # print(sort_sims[0:6])#前n名效果最好

    #进行分数预测--版本1---

    sort_sims_list = sort_sims[0:6]

    cols1 = sheet0.col_values(cols_numb[6])[1:]# 获取第三列内容,从第一行开始

    f1.close()

    #采用百分比形式的加权平均法，实质就是加权平均偏差法

    sumCore1 = 0

    sumPro = 0

    for i in range(len(sort_sims_list)):

        sumCore1 += float(cols1[sort_sims_list[i][0] - 1]) * sort_sims_list[i][1]

        # print(cols1[sort_sims_list[i][0] - 1])

        sumPro += sort_sims_list[i][1]

    preCore1 = sumCore1 / sumPro

    # print("采用加权平均偏差法，预测分数1为：%s,实际分数为%s"%(preCore1, cols1[questionNumber-1]))

    print("保存预测结果----“pre.csv”----")

    return preCore1, cols1[questionNumber-1], abs(preCore1 - float(cols1[questionNumber-1]))

if __name__ == '__main__':

    cols_numb = [0,1,2,3,4,5,6,7] #读取文件的列标号

    # questionNumber = 124 #待测试的问题号，最大不超过问题总数，主要用于测试

    # cleanAnswer(cols_numb) #对数据库中的问题进行提取，并去乱码

    # ldaAnaly() #对问题进行训练，生成主题模型

    # questionAnswer(cols_numb, questionNumber) #对问题进行预测，给出预测分数

    #循环预测的demo

    fp = codecs.open('./result/pre_v1.csv', 'a', encoding='utf-8')

    sum = 0

    i = 1

    count = 0

    while( i < 8717 ):

        questionNumber = i

        a = questionAnswer(cols_numb, questionNumber)

        sum += a[2]

        # print(a, a[2])

        # exit()

        i += 8

        count += 1

        fp.write(str(i)+":"+str(a) + '\n')

    fp.close()

    ave = sum / count

    print(ave)

　　

gensim自然语言处理的更多相关文章

  1. gensim自然语言处理（续）

    上一篇,已经实现了如何将一条语句在一个语料库中比较相似度, 发现运行的时候每次都要编译语料库,通过查找资料,可以一次性编译成预料库,存人文件 编译语料库代码 11_k.py import sysimp ...

  2. Python2和Python3的差异

    之前做Spark大数据分析的时候,考虑要做Python的版本升级,对于Python2和Python3的差异做了一个调研,主要对于语法和第三方工具包支持程度进行了比较. 基本语法差异 核心类差异 Pyt ...

  3. Python2和Python3比较分析

    一直有看到网上有讨论Python2和Python3的比较,最近公司也在考虑是否在spark-python大数据开发环境中升级到python3.通过本篇博文记录Python2.7.13和Pthon3.5 ...

  4. 面试题之python基础

    基础语法 输入和输出 代码中要修改不可变的数据会出现什么问题,抛出什么异常? 代码不会征程运行,抛出TypeError异常 a = 1,b = 2,不用中间变量交换a和b的值? # 方法1 a = a ...

  5. Python2 和Python3 的差异总结

    一.基本语法差异 1.1 核心类差异 Python3对Unicode字符的原生支持 Python2中使用 ASCII 码作为默认编码方式导致string有两种类型str和unicode,Python3 ...

  6. 巨蟒python全栈开发flask1

    1.整体把握 (1)路飞学城 - RestAPI 前后端分离开发 Django Vue.js - DRF DjangoRestFromwork - 线上商城的经验 (2)智能玩具 - RestAPI ...

  7. python2和python3的区别（转）

    基本语法差异 核心类差异 Python3对Unicode字符的原生支持 Python2中使用 ASCII 码作为默认编码方式导致string有两种类型str和unicode,Python3只支持uni ...

  8. python 全栈开发，Day133(玩具与玩具之间的对话,基于jieba gensim pypinyin实现的自然语言处理,打包apk)

    先下载github代码,下面的操作,都是基于这个版本来的! https://github.com/987334176/Intelligent_toy/archive/v1.6.zip 注意:由于涉及到 ...

  9. 自然语言处理--jieba和gensim的分词功能

    一.jieba分词功能 1.主要模式 支持三种分词模式: 精确模式,试图将句子最精确地切开,适合文本分析: 全模式,把句子中所有的可以成词的词语都扫描出来, 速度非常快,但是不能解决歧义: 搜索引擎模 ...

随机推荐

  1. 网络yum源制作

    思路:在网络上准备一个主机,在其中安装一个web服务器软件(比如apache),然后创建一个目录,在这个目录中准备上yum仓库的全部资源,如果用户可以通过网络访问到该主机的这个目录,那么这个目录就成为 ...

  2. 转载（TCPClient 建立连接和断开连接函数）

    public bool networkbuild()//建立端口连接 { if (client == null) { try { client = new TcpClient(networkip, n ...

  3. CDH5.15.1 hive 连接mongodb配置及增删改查

    1. 下载 wget http://repo1.maven.org/maven2/org/mongodb/mongo-hadoop/mongo-hadoop-hive/2.0.2/mongo-hado ...

  4. List接口特有功能

    List 有序的 有整数索引 允许重复使用 特有功能: void add(int index, E element)   //指定位置添加元素 E get()int index)            ...

  5. nginx开机启动

    centos 7以上是用Systemd进行系统初始化的 Systemd服务文件以.service结尾,比如现在要建立nginx为开机启动,如果用yum install命令安装的,yum命令会自动创建n ...

  6. oracle中 特殊字符 转义 （&）

    在dml中,若操作的字符中有 & 特殊字符,则会被oracle视作是输入变量的标志,此时需要用转义字符来进行转义. 1.”&“ 转义 这个是Oracle里面用来识别自定义变量的设置,现 ...

  7. oracle数值函数 abs()、 ceil()、 cos()、 cosh()

    1.abs绝对值函数 格式 abs(number) 即abs(数值) 例如 abs(100) 结果为 100,abs(-100)结果为100: 2.ceil用来取数值最小整数函数 格式 ceil(nu ...

  8. Mysql设置大小写敏感

    1.linux下mysql安装完后是默认:区分表名的大小写,不区分列名的大小写: 2.用root帐号登录后,在/etc/my.cnf 中的[mysqld]后添加添加lower_case_table_n ...

  9. Python学习—基础篇之基本数据类型(二)

    Python中重要的数据结构 1.列表 2.元组 3.字典 4.集合 列表 1.创建列表 # 方式一 name = [] print(type(name)) # 执行结果 >>> & ...

  10. 画布Canvas 画笔Paint

    package com.example.m_evolution.View; import android.content.Context; import android.graphics.Canvas ...