自然言語処理モジュール

from janome.tokenizer import Tokenizer

t = Tokenizer()

import pandas as pd

import numpy as np

#わかち書き関数

def wakachi(text):

tokens = t.tokenize(text)

docs=[]

for token in tokens:

docs.append(token.surface)

return docs

#わかち書き関数（品詞付き）

def wakachi_part(text,parts):

tokens = t.tokenize(text)

docs=[]

docp=[]

for token in tokens:

if parts in token.part_of_speech:

docs.append(token.surface)

docp.append(token.part_of_speech)

return docs,docp

#文書ベクトル

def docs_vec(documents):

from sklearn.feature_extraction.text import TfidfVectorizer

docs = np.array(documents)

vectorizer = TfidfVectorizer(analyzer=wakachi)

vecs = vectorizer.fit_transform(docs)

return vecs.toarray()

#文書ベクトル（単語を含む）

def docs_vec2(documents):

from sklearn.feature_extraction.text import TfidfVectorizer

docs = np.array(documents)

vectorizer = TfidfVectorizer(analyzer=wakachi)

vecs = vectorizer.fit_transform(docs)

return vecs.toarray(),pd.DataFrame(vecs.toarray(), columns=vectorizer.get_feature_names())

def docs_cos(docs):

from sklearn.metrics.pairwise import cosine_similarity

cs_array = np.round(cosine_similarity(docs_vec(docs), docs_vec(docs)),2)

return cs_array

def docs_ittido(docs):

df=docs_cos(docs)

kekka=[]

for x in df:

kekka.append((np.sum(x)-1)/(len(x)-1))

return kekka

def wordkumokaki(df):

from wordcloud import WordCloud

import matplotlib.pyplot as plt

fpath = '************.ttc'#フォントファイル

words_wakati=" ".join(df)

wordcloud = WordCloud(

font_path=fpath,

background_color="white", # default=”black”/"white"

contour_width=3, contour_color='steelblue',

max_words=100, # default=200

min_font_size=4, #default=4

collocations = False #default = True

).generate(words_wakati)

plt.figure()

plt.imshow(wordcloud)

plt.show()

def csv_ittido(s_f,s_name,s_text):

fileCSV="c:/*********/"+s_f #CSVファイルの保存場所

docs=pd.read_csv(fileCSV)

ittido_id=[]

ittido_value=[]

ittido_volume=[]

for i_t in docs[s_text]:

ittido_value.append(i_t)

ittido_volume.append(len(i_t))

ittido_value=docs_ittido(ittido_value)

for i_i in docs[s_name]:

ittido_id.append(i_i)

ittido=[]

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

retu=[]

retu.append(ittido_id[i])

retu.append(ittido_value[i])

retu.append(ittido_volume[i])

ittido.append(retu)

return np.array(ittido)

#return ittido #npにしない場合

if __name__ == '__main__':

#文字列の初期値

text1="すもももももももものうち"

text2="すももはももの１つです"

text3="すももはももです"

docs=[]

docs.append(text1)

docs.append(text2)

docs.append(text3)

print('単語の分かち書き')

df=wakachi(text1)

print(df)

print('ワードクラウド')

wordkumokaki(df)

print('単語の分かち書き（品詞付き）')

df=wakachi_part(text3,"名詞") #"動詞"、指定なしは""

print("単語：",df[0])

print("品詞：",df[1])

print('文書ベクトル')

print('1:',docs_vec(docs))

print('文書ベクトル（単語含む） ')

print('2:',docs_vec2(docs))

print('docsリストに対するcos類似度')

df=docs_cos(docs)

print(df)

print('docsリストに対する一致度（１：ｎのcos類似度の平均値）')

df=docs_ittido(docs)

print(df)

print('csvファイルに対する一致度(id,一致度、文字数をnumpyで返す)')

s_f='samplecsv.csv'

s_name="loginid" #フィールド名「loginid」に学籍番号

s_text="tassei" #フィールド名「tassei」に計算対象の文章

df=csv_ittido(s_f,s_name,s_text)

print(df)