【NLP】关键词共现/属性共现矩阵

【共现】理解起来无非是两个词语同时出现的频次作为一个指标，构造矩阵。矩阵的第一列和第一行都是词语列表中的所有词，因此对角线一般设置为0——即不把自己和自己共现算进去。假如矩阵为M，M【i】【j】
就表示第i+1个词和第j+1个词一起在文档集合里出现了多少次，且M【i】【j】=M【j】【i】。

1.构建关键词矩阵

参考网上代码：
感谢Python构建关键词共现矩阵
输入有两个：
DATA——可以理解为文档集合，[[],[],[],…]每个小列表代表一篇文章
Keywordlist——是关键词列表，共现矩阵也是基于它初始化的
我是直接从本地数据库里读取了需要的数据，最后生成CSV文件的矩阵：
这部分在MAIN（）中改了下，其他和参考代码一致。

def mainkeyword():

    output_path = r'随便起名.csv'
    # data = reader.readxls_col(keyword_path)[0]
    #原始数据
    data=dbdata()
    #关键词列表
    set_key_list =dbkey()
    # set_key_list = get_set_key(data)
    formated_data = format_data(data)
    matrix = build_matirx(set_key_list)
    matrix = init_matrix(set_key_list, matrix)
    result_matrix = count_matrix(matrix, formated_data)

    np.savetxt(output_path, result_matrix, fmt=('%s,'*len(matrix))[:-1])
    dbkey()
    dbdata()

结果如下：可能很多词只共现1次，总体算是稀疏矩阵。

2.构建属性共现矩阵

帮忙做一个项目时，对方提到属性这个概念，即可以理解为，把几个词归为一个属性，这样构造的属性共现矩阵就可以大大减少矩阵中数目为0的部分，而且会增大共现次数。
可以将代码里的keywordlist变成属性的字典，每个属性包含某些关键词
大致像这样👇

相比于上面关键词代码，只需改动计算矩阵共现频次的代码和Main()的代码：

def count_matrix_attr(matrix, formated_data):
    '''计算各个属性共现次数'''
    zd=dbattr()[0]
    for row in range(1, len(matrix)):
        # 遍历矩阵第一行，跳过下标为0的元素
        for col in range(1, len(matrix)):
                # 遍历矩阵第一列，跳过下标为0的元素
                # 实际上就是为了跳过matrix中下标为[0][0]的元素，因为[0][0]为空，不为关键词
            if matrix[0][row] == matrix[col][0]:
                # 如果取出的行关键词和取出的列关键词相同，则其对应的共现次数为0，即矩阵对角线为0
                matrix[col][row] = str(0)
            else:
                counter = 0
                # 初始化计数器
                for ech in formated_data:
                        # 遍历格式化后的原始数据，让取出的行关键词和取出的列关键词进行组合，
                        # 再放到每条原始数据中查询
                    for w1 in zd[matrix[0][row]]:
                        for w2 in zd[matrix[col][0]]:
                            if w1 in ech and w2 in ech:
                                counter += 1
                            else:
                                continue
                matrix[col][row] = str(counter)
    return matrix

def main():

    output_path = r'随便起名+1.csv'
    # data = reader.readxls_col(keyword_path)[0]
    #原始数据
    data=dbdata()
    # dbkey()
    # dbdata()
    #属性列表
    attr_list=dbattr()[1]
    # set_key_list = get_set_key(data)
    formated_data = format_data(data)
    matrix = build_matirx_attr(attr_list)
    matrix = init_matrix_attr(attr_list, matrix)
    result_matrix = count_matrix_attr(matrix, formated_data)

    np.savetxt(output_path, result_matrix, fmt=('%s,'*len(matrix))[:-1],encoding='utf-8')

结果如下👇（看起来好了蛮多）

------------------------------2020-02-11 By EchoZhang---------------