`

TF-IDF(转)输出到文本

阅读更多
import java.io.*;
import java.util.*;

import org.wltea.analyzer.lucene.IKAnalyzer;

public class ReadFiles {

    /**
     * @param args
     */   
    private static ArrayList<String> FileList = new ArrayList<String>(); // the list of file

    //get list of file for the directory, including sub-directory of it
    public static List<String> readDirs(String filepath) throws FileNotFoundException, IOException
    {
        try
        {
            File file = new File(filepath);
            if(!file.isDirectory())
            {
                System.out.println("输入的[]");
                System.out.println("filepath:" + file.getAbsolutePath());
            }
            else
            {
                String[] flist = file.list();
                for(int i = 0; i < flist.length; i++)
                {
                    File newfile = new File(filepath + "\\" + flist[i]);
                    if(!newfile.isDirectory())
                    {
                        FileList.add(newfile.getAbsolutePath());
                    }
                    else if(newfile.isDirectory()) //if file is a directory, call ReadDirs
                    {
                        readDirs(filepath + "\\" + flist[i]);
                    }                   
                }
            }
        }catch(FileNotFoundException e)
        {
            System.out.println(e.getMessage());
        }
        return FileList;
    }
   
    //read file
    public static String readFile(String file) throws FileNotFoundException, IOException
    {
        StringBuffer strSb = new StringBuffer(); //String is constant, StringBuffer can be changed.
        InputStreamReader inStrR = new InputStreamReader(new FileInputStream(file), "gbk"); //byte streams to character streams
        BufferedReader br = new BufferedReader(inStrR);
        String line = br.readLine();
        while(line != null){
            strSb.append(line).append("\r\n");
            line = br.readLine();   
        }
       
        return strSb.toString();
    }
   
    //word segmentation
    public static ArrayList<String> cutWords(String file) throws IOException{
       
        ArrayList<String> words = new ArrayList<String>();
        String text = ReadFiles.readFile(file);
        IKAnalyzer analyzer = new IKAnalyzer();
        words = analyzer.split(text);
       
        return words;
    }
   
    //term frequency in a file, times for each word
    public static HashMap<String, Integer> normalTF(ArrayList<String> cutwords){
        HashMap<String, Integer> resTF = new HashMap<String, Integer>();
       
        for(String word : cutwords){
            if(resTF.get(word) == null){
                resTF.put(word, 1);
                System.out.println(word);
            }
            else{
                resTF.put(word, resTF.get(word) + 1);
                System.out.println(word.toString());
            }
        }
        return resTF;
    }
   
    //term frequency in a file, frequency of each word
    public static HashMap<String, Float> tf(ArrayList<String> cutwords){
        HashMap<String, Float> resTF = new HashMap<String, Float>();
       
        int wordLen = cutwords.size();
        HashMap<String, Integer> intTF = ReadFiles.normalTF(cutwords);
       
        Iterator iter = intTF.entrySet().iterator(); //iterator for that get from TF
        try
        {
        FileWriter writer = new FileWriter("d:\\DF.txt", true);
       
        while(iter.hasNext()){
            Map.Entry entry = (Map.Entry)iter.next();
            resTF.put(entry.getKey().toString(), Float.parseFloat(entry.getValue().toString()) / wordLen);
            System.out.println(entry.getKey().toString() + " = "+  Float.parseFloat(entry.getValue().toString()) / wordLen);
            // 输出到文件
            writer.write(entry.getKey().toString() + " = "+  Float.parseFloat(entry.getValue().toString()) / wordLen+"\r\n");
               
           
        }//end with while
        writer.close();
        }
        catch(Exception ex)
        {
       
        }
        return resTF;
    }
   
    //tf times for file
    public static HashMap<String, HashMap<String, Integer>> normalTFAllFiles(String dirc) throws IOException{
        HashMap<String, HashMap<String, Integer>> allNormalTF = new HashMap<String, HashMap<String,Integer>>();
       
        List<String> filelist = ReadFiles.readDirs(dirc);
        for(String file : filelist){
            HashMap<String, Integer> dict = new HashMap<String, Integer>();
            ArrayList<String> cutwords = ReadFiles.cutWords(file); //get cut word for one file
           
            dict = ReadFiles.normalTF(cutwords);
            allNormalTF.put(file, dict);
        }   
        return allNormalTF;
    }
   
    //tf for all file
    public static HashMap<String,HashMap<String, Float>> tfAllFiles(String dirc) throws IOException{
        HashMap<String, HashMap<String, Float>> allTF = new HashMap<String, HashMap<String, Float>>();
        List<String> filelist = ReadFiles.readDirs(dirc);
       
        for(String file : filelist){
            HashMap<String, Float> dict = new HashMap<String, Float>();
            ArrayList<String> cutwords = ReadFiles.cutWords(file); //get cut words for one file
           
            dict = ReadFiles.tf(cutwords);
            allTF.put(file, dict);
        }
        return allTF;
    }
    public static HashMap<String, Float> idf(HashMap<String,HashMap<String, Float>> all_tf){
        HashMap<String, Float> resIdf = new HashMap<String, Float>();
        HashMap<String, Integer> dict = new HashMap<String, Integer>();
        int docNum = FileList.size();
       
        for(int i = 0; i < docNum; i++){
            HashMap<String, Float> temp = all_tf.get(FileList.get(i));
            Iterator iter = temp.entrySet().iterator();
            while(iter.hasNext()){
                Map.Entry entry = (Map.Entry)iter.next();
                String word = entry.getKey().toString();
                if(dict.get(word) == null){
                    dict.put(word, 1);
                }else {
                    dict.put(word, dict.get(word) + 1);
                }
            }
        }
        System.out.println("IDF for every word is:");
        try
        {
        FileWriter writer = new FileWriter("d:\\IDF.txt", true);
        Iterator iter_dict = dict.entrySet().iterator();
        while(iter_dict.hasNext()){
            Map.Entry entry = (Map.Entry)iter_dict.next();
            float value = (float)Math.log(docNum / Float.parseFloat(entry.getValue().toString()));
            resIdf.put(entry.getKey().toString(), value);
            System.out.println(entry.getKey().toString() + " = " + value);
            writer.write(entry.getKey().toString() + " = " + value+"\r\n");
           
        }
        writer.close();
        }
        catch(Exception ex)
        {
        System.out.println("Error");
        return null;
        }
        return resIdf;
    }
    public static void tf_idf(HashMap<String,HashMap<String, Float>> all_tf,HashMap<String, Float> idfs){
        HashMap<String, HashMap<String, Float>> resTfIdf = new HashMap<String, HashMap<String, Float>>();
           
        int docNum = FileList.size();
        for(int i = 0; i < docNum; i++){
            String filepath = FileList.get(i);
            HashMap<String, Float> tfidf = new HashMap<String, Float>();
            HashMap<String, Float> temp = all_tf.get(filepath);
            Iterator iter = temp.entrySet().iterator();
            while(iter.hasNext()){
                Map.Entry entry = (Map.Entry)iter.next();
                String word = entry.getKey().toString();
                Float value = (float)Float.parseFloat(entry.getValue().toString()) * idfs.get(word);
                tfidf.put(word, value);
            }
            resTfIdf.put(filepath, tfidf);
        }
        System.out.println("TF-IDF for Every file is :");
        DisTfIdf(resTfIdf);
    }
    public static void DisTfIdf(HashMap<String, HashMap<String, Float>> tfidf){
        Iterator iter1 = tfidf.entrySet().iterator();
        try
        {
        FileWriter writer = new FileWriter("d:\\TF-IDF.txt", true);
        String strtemp="";
        while(iter1.hasNext()){
            Map.Entry entrys = (Map.Entry)iter1.next();
            System.out.println("FileName: " + entrys.getKey().toString());
            //writer.write("FileName: " + entrys.getKey().toString());
            System.out.print("{");
            writer.write("{");
            HashMap<String, Float> temp = (HashMap<String, Float>) entrys.getValue();
            Iterator iter2 = temp.entrySet().iterator();
           
           
           
            while(iter2.hasNext()){
                Map.Entry entry = (Map.Entry)iter2.next();
                System.out.print(entry.getKey().toString() + " = " + entry.getValue().toString() + ", ");
                // 输出到文件
                strtemp+=entry.getKey().toString() + " = " + entry.getValue().toString() + ", ";
                //writer.write(entry.getKey().toString() + " = " + entry.getValue().toString() + ", ");
               
            }
            strtemp=strtemp.substring(0, strtemp.length()-2);
            writer.write(strtemp);
            System.out.println("}");
            writer.write("}"+"\r\n");
        }
        writer.close();
       }
        catch(Exception ex)
        {
        System.out.println("error!");
        return;
        }
    }
    public static void main(String[] args) throws IOException {
        // TODO Auto-generated method stub
        String file = "D:/testfiles";

        HashMap<String,HashMap<String, Float>> all_tf = tfAllFiles(file);
        System.out.println();
        HashMap<String, Float> idfs = idf(all_tf);
        System.out.println();
        tf_idf(all_tf, idfs);
       
    }

}
分享到:
评论

相关推荐

    基于 TF-IDF 的文本分类(txtClassify.py)

    tfidf_train()函数用于训练TF-IDF特征提取器,并将特征提取器保存到磁盘。 tfidf_test()函数用于加载保存在磁盘上的TF-IDF特征提取器,并使用它来处理测试数据。 svm_grid()函数用于使用网格搜索法寻找最佳的支持...

    GetFileTimes.rar_IF-IDF_TF_java TF-IDF_tf idf_tf idf java

    用java编写的tf*idf 结果输出txt文本,方便作后来的聚类矩阵

    python TF-IDF算法实现文本关键词提取

    在我们得到词频(TF)和逆文档频率(IDF)以后,将两个值相乘,即可得到一个词的TF-IDF值,某个词对文章的重要性越高,其TF-IDF值就越大,所以排在最前面的几个词就是文章的关键词。 TF-IDF算法的优点是简单快速,...

    Text-Mining:使用TF-IDF算法查找关键字的文本挖掘代码和使用Apriori算法生成关联规则的文本挖掘代码

    输入那些,您将获得关联规则作为输出。 就是这样。 做得好! 先决条件 需要在计算机上安装python 3.6。 运行测试 编写代码的方式是,当您执行TextMining.py时,它将检查名为documentDatabase的文件夹并读取其中的...

    python数据分析:关键字提取方式

    TF-IDF TF-IDF(Term Frequencey-Inverse Document Frequency)指词频-逆文档频率,它属于数值统计的范畴。使用TF-IDF,我们能够学习一个词对于数据集中的一个文档的重要性。 TF-IDF的概念 TF-IDF有两部分,词频和逆...

    CTDP:中文文本数据处理

    1、将文件夹中所有的txt文件中的内容,按行读取,每一行作为一个post,对每一个post以所有txt中的内容作为全体计算tf-idf,输出为与原始txt及每一行对应的tf-idf。由于结果包含大量的0,所以采取了稀疏矩阵的存储...

    基于Python英文文本信息检索系统【100011305】

    开发一款针对英文文本的信息检索系统,可以实现建立索引表、布尔...(3)计算指定词的 TF-IDF 值; (4)进行布尔查询; (5)进行通配符查询; (6)进行短语查询。 所有功能都可以通过—hit 参数限制输出的结果数量。

    基于Python设计的信息检索系统【100011728】

    【实验目的】: 开发一款针对英文文本的信息检索系统,可以实现建立索引表、布尔查询、...计算指定词的 TF-IDF值; 进行布尔查询; 进行通配符查询; 进行短语查询。 所有功能都可以通过—hit参数限制输出的结果数量。

    数模转换.docx "数模转换"通常指的是将数字信号转换为模拟信号的过程,或者将模拟信号转换为数字信号的过程

    数模转换 ...常见的数模转换包括词袋模型、TF-IDF向量化、词嵌入(Word Embedding)等。 4. **传感器数据处理**:传感器通常输出模拟信号,需要将其转换为数字信号并进行特征提取,以便输入到机器学习

    基于宽度和词向量特征的文本分类模型

    将输入文本中的词通过编码映射到词嵌入矩阵中, 词向量特征经嵌入和平均叠加后, 和基于TF-IDF的文本向量特征进行拼接, 传入到输出层后计算属于每个分类的概率. 该模型在低维词向量的基础上结合了文本向量特征的表达...

    分别基于传统方法和深度学习方法实现意图识别python源码+数据集+项目说明.zip

    * SVM:支持向量机模型,基于TF-IDF或wordvec * LR:逻辑回归模型,基于TF-IDF或wordvec * Stack-Propagation:https://aclanthology.org/D19-1214.pdf * Bi-model with decoder:...

    JDDC大赛第4名解决方案参赛源码+学习说明.zip

    TF-IDF中TF的定义如下: ![](media/8659ed935357d383513379963bac3424.png) IDF的定义如下: ![](media/4bef51dfd171cb29ab3f98dfdd9af41d.png) 我们对数据进行了一些预处理,主要包括:1)删除轮次低于3的会话...

    基于python互联网新闻热点抽取系统+源代码+文档说明

    (3) 对于分词后的数据信息进行词频统计,采用TF-IDF词频统计方法,将结果保存到本地。同时输出纯词频个数统计并保存。 (4) 利用词频数据对文本信息进行向量化,建立数据矩阵,并保存。 (5) 采用k-means聚类...

    exercise

    使用tfidf文件夹中的语料库计算一个bigram列表,并将此列表用作术语列表以计算tf-idf值并将结果输出到excel文件tfidf_result 识别具有相似性的相似文件 使用tfidf文件夹中的语料库来识别与doc_0.txt最相似的5个文档...

    Attention-Based-Siamese-Text-CNN-for-Stance-Detection:复旦大学自然语言处理专业(DATA130006)的最终项目

    我们提供了几种数据预处理方法:BoW(单词袋),TF-IDF,word2vec,doc2vec。 每个py文件都会生成x_1(文档表示形式)x_2(标题表示形式)和y(标签)。 这些数据可以作为间谍数据输出,可以在模型中使用。 2.常规...

    disaster_response_NLP_pipeline:用于灾难响应消息分类的NLP管道

    令牌被馈送到TF-IDF转换器,然后馈入机器学习分类器。 初始分类器模型(请参见下面的讨论)采用了非常简单的Complement Naive Bayees分类器方法,该方法因其在不平衡类中的首选用法而被选择,并包装在...

    Wiki-ESA:基于维基百科的显式语义分析

    每行对应一个唯一的单词,每列对应一个“概念”,即Wikipedia文章,并且每个条目都是文章j中单词i的TF-IDF分数。 矩阵保存在单独的块中,以节省内存。 medium_wiki.xml可以用作示例文件,以进行演示/测试,因为它...

    Big_Data_Project_3:Spark、MapReduce、Scala

    大数据_项目_3 Tony Zheng 和我的大数据项目 3 的源代码 • 问题 给定多个文档,使用 MapReduce 计算单词语义相似度 ...计算词频 – 每个词的逆文档频率 (TF-IDF) 计算术语相似度 对术语相似度进行排序

    词频统计工具 v3.16.zip

    值得一提是软件不仅可以统计出这些数据,还可以将这些数据按出现次数排序输出为Excel表格或Word表格文档。软件界面美观简洁、简单全面、实用方便,无需培训,即可快速上手,轻轻松松完成日常词频统计功能,真正做到...

Global site tag (gtag.js) - Google Analytics