基于gensim库的文本特征处理

一，基础应用

from gensim import corpora 

#创建数据集 
def loadDataSet():
	corpus = []
	tiyu = ['中国足球','国际足球','篮球','NBA','综合体育','奥运','姚明','连败',
	        '休斯敦','记者','队友','羽毛球','巨人','网球','高尔夫','棋牌','彩票',
	        '欧冠','英超','西甲','意甲','德甲','中超','国足','足协杯','女足','赛车'
	        ]

	yule = ['娱乐','时尚','女人','健康','旅行','公益','星座','音乐','电影','电视剧','综艺','音乐',
	          '明星','视频','杨颖','刘德华','杨幂','鹿晗','轩辕剑','周杰伦','婚纱','曝光','胡歌','西装',
	          '笔挺','风度翩翩','郭碧婷','自曝','喜欢','向佐','真实原因','张艺兴','老艺术家们','同台','辛芷蕾','搭档'

		   ]
	jiaoyu = ['高考','考研','中考','外语类考试','自考','公务员','资格考试','等级考试','成考','高校库','高校热度榜','分数线','找专家',
	  '专业库','专业热度榜','专业测评','同分考生取向','新闻','时评','报考','院校','专业分','数线','状元','专家','备考','作文',
	   '家长必读','心理','营养','资讯','招生','保研','复试','分数线','调剂','四六级','雅思','托福','GRE','GMAT','SAT'
	   		 ]


	caijing = ['股票','新股','港股','美股','基金','期货','外汇','黄金','债券','理财','银行','保险','专家','信托','科创板','专栏','博客','股市汇','会议','数据',
	'商品行情','外盘期货','商品持仓','现货报价','各国国债','期指行情','期指持仓','期指研究','行业指数','权重股票','期货名人',
	'专家坐堂','高清解盘','期货入门','各国国债','期市要闻','期货研究','机构评论','品种大全','现货黄金','现货白银','现货铂金','现货钯金','国债收益率'
			  ] 
	corpus.append(tiyu)
	corpus.append(yule)
	corpus.append(jiaoyu)
	corpus.append(caijing)

	classVec = ['体育','娱乐','教育','财经']
	return corpus,classVec

#构建语料词典:去重操作
def gensim_Corpus(corpus = None):
	#生成词典
	dictionary = corpora.Dictionary(corpus)
	print ('语料词典： \n',dictionary)
	"""
	运行结果： 
	语料词典： 
 	Dictionary(145 unique tokens: ['NBA', '中国足球', '中超', '休斯敦', '国足']...)
    """

	#选择只出现一次的词
	once_ids = [tokenid for tokenid,docfreq in dictionary.dfs.items() if docfreq == 1]
	print (once_ids)
	"""
	运行结果：
	[1, 5, 15, 0, 16, 6, 8, 24, 3, 21, 25, 18, 9, 17,
	26, 13, 10, 14, 19, 20, 12, 11, 2, 4, 23, 7, 22, 35, 
	40, 34, 27, 39, 28, 42, 59, 46, 47, 50, 41, 55, 45, 29, 
	44, 61, 56, 32, 36, 43, 52, 54, 49, 60, 58, 53, 33, 31, 
	48, 37, 51, 30, 57, 38, 102, 92, 70, 79, 93, 73, 96, 91,
	82, 100, 101, 74, 84, 66, 68, 67, 75, 88, 89, 85, 98, 65, 
	87, 90, 69, 77, 71, 80, 81, 94, 97, 86, 72, 78, 95, 76, 
	99, 83, 63, 62, 64, 140, 119, 130, 138, 115, 124, 116, 144, 108, 
	136, 142, 106, 107, 137, 104, 109, 139, 105, 118, 113, 117, 112, 
	131, 110, 123, 121, 122, 141, 129, 126, 103, 143, 125, 120, 127, 
	128, 111, 135, 132, 134, 133, 114]
	"""
	#once_ids = [dictionary[tokenid] for tokenid,docfreq in dictionary.dfs.items() if docfreq == 1]
	#print (once_ids)

	#删除仅出现一次的词
	dictionary.filter_tokens(once_ids)
	print(dictionary) 

	#消除id序列在删除词后产生的不连续的序列
	dictionary.compactify()

	#将字典存储备用，方便以后使用
	#dict方式存储
	savePath = r'../dataSet/files/mycorpus.dict'
	dictionary.save(savePath) 

    #加载字典
	mydict = corpora.Dictionary.load(savePath)

	#TXT方式存储
	savePath = r'../dataSet/files/mycorpus.text'
	dictionary.save_as_text(savePath)

    #加载字典
	mydict = corpora.Dictionary.load_from_text(savePath)



if __name__ == '__main__':
	corpus,classVec = loadDataSet()
	gensim_Corpus(corpus)

二，生成TFIDF模型

from gensim import corpora,models

#创建数据集 
def loadDataSet():
	corpus = []
	tiyu = ['中国足球','国际足球','篮球','NBA','综合体育','奥运','姚明','连败',
	        '休斯敦','记者','队友','羽毛球','巨人','网球','高尔夫','棋牌','彩票',
	        '欧冠','英超','西甲','意甲','德甲','中超','国足','足协杯','女足','赛车'
	        ]

	yule = ['娱乐','时尚','女人','健康','旅行','公益','星座','音乐','电影','电视剧','综艺','音乐',
	          '明星','视频','杨颖','刘德华','杨幂','鹿晗','轩辕剑','周杰伦','婚纱','曝光','胡歌','西装',
	          '笔挺','风度翩翩','郭碧婷','自曝','喜欢','向佐','真实原因','张艺兴','老艺术家们','同台','辛芷蕾','搭档'

		   ]
	jiaoyu = ['高考','考研','中考','外语类考试','自考','公务员','资格考试','等级考试','成考','高校库','高校热度榜','分数线','找专家',
	  '专业库','专业热度榜','专业测评','同分考生取向','新闻','时评','报考','院校','专业分','数线','状元','专家','备考','作文',
	   '家长必读','心理','营养','资讯','招生','保研','复试','分数线','调剂','四六级','雅思','托福','GRE','GMAT','SAT'
	   		 ]


	caijing = ['股票','新股','港股','美股','基金','期货','外汇','黄金','债券','理财','银行','保险','专家','信托','科创板','专栏','博客','股市汇','会议','数据',
	'商品行情','外盘期货','商品持仓','现货报价','各国国债','期指行情','期指持仓','期指研究','行业指数','权重股票','期货名人',
	'专家坐堂','高清解盘','期货入门','各国国债','期市要闻','期货研究','机构评论','品种大全','现货黄金','现货白银','现货铂金','现货钯金','国债收益率'
			  ] 
	corpus.append(tiyu)
	corpus.append(yule)
	corpus.append(jiaoyu)
	corpus.append(caijing)

	classVec = ['体育','娱乐','教育','财经']
	return corpus,classVec

#统计特征词频
def gensim_Corpus(corpus = None):
	dictionary = corpora.Dictionary(corpus)
	#获取词频
	dfs = dictionary.dfs
	#获取词ID和词频
	for key_id,freq in dfs.items():
		print(dictionary[key_id],':',freq,'\n')



#计算TF-IDF
def gensim_tfidf(corpus = None,classVec = ' '):
	dictionary = corpora.Dictionary(corpus)
	#生成词袋模型
	doc_bag_corpus = [dictionary.doc2bow(doc_cut) for doc_cut in corpus]
	print ('词袋模型实现文本向量化： \n',doc_bag_corpus)
	#生成tfidf模型
	tfidf_model = models.TfidfModel(dictionary = dictionary )
	print ('生成tfidf模型： \n',tfidf_model)
	"""
	生成tfidf模型： 
    TfidfModel(num_docs=4, num_nnz=146)

    num_nnz:每个文件中不重复词个数之和
 	"""
 	#tfidf字典
	corpus_tfidf = { }
	for doc_bow in doc_bag_corpus:
		file_tfidf = tfidf_model[doc_bow] #词袋填充
		catg       = classVec[i]
		temp_eval  = corpus_tfidf.get(catg,[])
		print(temp_eval)
		temp_eval.append(file_tfidf)
		print(temp_eval)

		if temp_eval.__len__() == 1:
			corpus_tfidf[catg] = temp_eval


if __name__ == '__main__':
	corpus,classVec = loadDataSet()
	gensim_Corpus(corpus)
	gensim_tfidf(corpus,classVec)

三，生成LSA模型

from gensim import corpora,models
from gensim.models.doc2vec import Doc2Vec,TaggedDocument
#数据序列号和反序列化存储 
import pickle as pkl 

#创建数据集 
def loadDataSet():
	corpus = []
	tiyu = ['中国足球','国际足球','篮球','NBA','综合体育','奥运','姚明','连败',
	        '休斯敦','记者','队友','羽毛球','巨人','网球','高尔夫','棋牌','彩票',
	        '欧冠','英超','西甲','意甲','德甲','中超','国足','足协杯','女足','赛车'
	        ]

	yule = ['娱乐','时尚','女人','健康','旅行','公益','星座','音乐','电影','电视剧','综艺','音乐',
	          '明星','视频','杨颖','刘德华','杨幂','鹿晗','轩辕剑','周杰伦','婚纱','曝光','胡歌','西装',
	          '笔挺','风度翩翩','郭碧婷','自曝','喜欢','向佐','真实原因','张艺兴','老艺术家们','同台','辛芷蕾','搭档'

		   ]
	jiaoyu = ['高考','考研','中考','外语类考试','自考','公务员','资格考试','等级考试','成考','高校库','高校热度榜','分数线','找专家',
	  '专业库','专业热度榜','专业测评','同分考生取向','新闻','时评','报考','院校','专业分','数线','状元','专家','备考','作文',
	   '家长必读','心理','营养','资讯','招生','保研','复试','分数线','调剂','四六级','雅思','托福','GRE','GMAT','SAT'
	   		 ]


	caijing = ['股票','新股','港股','美股','基金','期货','外汇','黄金','债券','理财','银行','保险','专家','信托','科创板','专栏','博客','股市汇','会议','数据',
	'商品行情','外盘期货','商品持仓','现货报价','各国国债','期指行情','期指持仓','期指研究','行业指数','权重股票','期货名人',
	'专家坐堂','高清解盘','期货入门','各国国债','期市要闻','期货研究','机构评论','品种大全','现货黄金','现货白银','现货铂金','现货钯金','国债收益率'
			  ] 
	corpus.append(tiyu)
	corpus.append(yule)
	corpus.append(jiaoyu)
	corpus.append(caijing)

	classVec = ['体育','娱乐','教育','财经']
	return corpus,classVec

def gensim_lsa(corpus = None):
	dictionary = corpora.Dictionary(corpus)
	#1 doc_bow转换TF-IDF向量模型
	doc_bow_corpus = [dictionary.doc2bow(doc_cut) for doc_cut in corpus]
	tfidf_model = models.TfidfModel(dictionary = dictionary)
	tfidf_corpus = [tfidf_model[doc_bow] for doc_bow in doc_bow_corpus]
	print(tfidf_corpus)

	#2.生成LSA/LSI 模型
	lsi_model = models.LsiModel(corpus = tfidf_corpus,id2word = dictionary,num_topics = 20)

	print ("LSA生成的模型： \n",lsi_model)

	#LSA前20个的概率
	lsi_corpus = [lsi_model[tfidf_doc] for tfidf_doc in tfidf_corpus]

	print (lsi_corpus)

	#本地化存储
	savepath = r'../lsi_model.pkl'
	lsi_file = open(savepath,'wb')
	pkl.dump(lsi_model,lsi_file)
	lsi_file.close()



if __name__ == '__main__':
	corpus,classVec = loadDataSet()
	gensim_lsa(corpus)

类似的还有LDA模型，RP模型，HDP模型，和上面的用法差不多
参考教程：
代码来源： https://www.imooc.com/video/19764
LSA教程： https://www.jianshu.com/p/9fe0a7004560