文本相似性算法实现（二）-分组及分句热度统计

JMeter-完成批量的接口测试

1. 场景形貌

软件老王在上一节引见到类似性热度统计的4个需求（），本次引见分组及分组分句热度统计（需求1和需求2）。

2. 解决方案

分组热度统计起首依据某列举行分组，然后再对这些句举行热度统计，主假如分组处置惩罚，分句仅仅是根据标点符号做了下拆分，在代码申明中能够替换下就能够了。

2.1 完全代码

完全代码，有须要的朋侪能够直接拿走，不想看代码引见的，能够直接拿走实行就行。

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分词的自定义辞书，软件老王这里增加的花样行业术语，花样就是文档，一列一个词一行就好了，
    # 这个几个辞书软件老王就不上传了，可解释掉。
    jieba.load_userdict("g1.txt")
    jieba.load_userdict("g2.txt")
    jieba.load_userdict("g3.txt")

    # 2 停用词，简朴明白就是此次词不支解，这个软件老王找的网上通用的。
    spPath = 'stop.txt'
    stop_words = StopWordsList(spPath)

    # 3 excel处置惩罚
    wbk = xlwt.Workbook(encoding='ascii')
    sheet = wbk.add_sheet("软件老王sheet")  # sheet称号
    sheet.write(0, 0, '软件老王1-种别')
    sheet.write(0, 1, '软件老王2-缘由')
    sheet.write(0, 2, '软件老王3-统计数目')
    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('种别')
    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 类似性处置惩罚
        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('入手下手实行，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 根据热度排序 -软件老王
        with open("rjlw.txt", 'w', encoding='utf-8') as wf2:  # 翻开文件
            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 写入目的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 代码申明

以上的代码中有很明白的解释就不再一一引见了，重点说几个。

（1）分组处置惩罚跟类似，差别的是起首根据某一列做了分组处置惩罚，然后举行类似性统计，类似性这块一样，实在差别的主假如excel处置惩罚这块的内容。

（2）excle分组用的是pandas包，。

（3）关于需求2，分组分句，代码以下：

 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，这里根据标点符号对缘由举行拆分，然后再举行处置惩罚。
            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）简朴申明

从数据中能够看出来，比方：声响太大，分属三类，起首分类，然后再比对类似性。

I’m 「软件老王」，假如以为还能够的话，关注下呗，后续更新秒知！迎接讨论区、同名民众号留言交换！

进阶之路 | 巧妙的Animation之旅