用Python写一段关键词提取的代码(100行左右)

以下是基于 `jieba` 库的中英文关键词提取代码示例,总长度约为100行: ### 基于 Jieba 的中文关键词提取 ```python import jieba import jieba.analyse from collections import Counter def extract_chinese_keywords(text, topK=10): """ 使用 jieba 提取中文文本的关键字 :param text: 输入的中文文本 :param topK: 返回关键字的数量,默认为 10 :return: 关键字列表及其权重 """ # TF-IDF 方法提取关键词 tfidf_keywords = jieba.analyse.extract_tags(text, topK=topK, withWeight=True) # TextRank 方法提取关键词 textrank_keywords = jieba.analyse.textrank(text, topK=topK, withWeight=True) return tfidf_keywords, textrank_keywords # 测试函数 if __name__ == "__main__": chinese_text = ( "Python是一种广泛使用的高级编程语言,具有简单易学的特点。" "它支持多种编程范式,包括面向对象、命令式和函数式编程。" "Python被应用于Web开发、数据分析、人工智能等多个领域。" ) print("原始文本:", chinese_text) # 获取关键词 tfidf_result, textrank_result = extract_chinese_keywords(chinese_text, topK=5) print("\nTF-IDF 方法提取的关键词:") for keyword, weight in tfidf_result: print(f"{keyword}: {weight:.4f}") print("\nTextRank 方法提取的关键词:") for keyword, weight in textrank_result: print(f"{keyword}: {weight:.4f}") ``` 以上代码实现了两种常见的中文关键词提取方法:**TF-IDF** 和 **TextRank**[^1]。`extract_chinese_keywords` 函数接收一段中文文本并返回两个结果——基于 TF-IDF 和 TextRank 的关键词列表。 --- ### 英文关键词提取 对于英文关键词提取,可以利用 `sklearn.feature_extraction.text.TfidfVectorizer` 来实现: ```python from sklearn.feature_extraction.text import TfidfVectorizer from nltk.corpus import stopwords from nltk.tokenize import word_tokenize import string def preprocess_text(text): """ 预处理英文文本,去除停用词和标点符号 :param text: 输入的英文文本 :return: 清洗后的单词列表 """ stop_words = set(stopwords.words('english')) words = word_tokenize(text.lower()) filtered_words = [ word.strip(string.punctuation) for word in words if word not in stop_words and word.isalpha() ] return filtered_words def extract_english_keywords(texts, topK=10): """ 使用 TF-IDF 提取英文文本的关键字 :param texts: 输入的英文文本列表 :param topK: 返回关键字的数量,默认为 10 :return: 关键字及其对应的 TF-IDF 分数 """ vectorizer = TfidfVectorizer(tokenizer=lambda x: preprocess_text(x)) X = vectorizer.fit_transform(texts) feature_names = vectorizer.get_feature_names_out() result = {} for i, row in enumerate(X.toarray()): scores = sorted(list(zip(feature_names, row)), key=lambda x: x[1], reverse=True)[:topK] result[f"text_{i+1}"] = [(word, round(score, 4)) for word, score in scores] return result # 测试函数 if __name__ == "__main__": english_texts = [ "Python is an interpreted high-level general-purpose programming language.", "Its design philosophy emphasizes code readability with its notable use of significant indentation.", "It supports multiple programming paradigms including structured object-oriented and functional programming." ] keywords_dict = extract_english_keywords(english_texts, topK=5) print("\nEnglish Keywords Extraction Results:") for k, v in keywords_dict.items(): print(f"\n{k}:") for word, score in v: print(f"{word}: {score}") ``` 这段代码展示了如何使用 **TfidfVectorizer** 对英文文本进行预处理和关键词提取。`preprocess_text` 函数负责清洗文本,移除停用词和标点符号;而 `extract_english_keywords` 则计算每篇文档的关键词及其对应分数[^3]。 --- ### 综合应用案例 如果需要同时处理中英文混合文本,则可以通过检测语言类型来决定采用哪种算法: ```python from langdetect import detect def auto_extract_keywords(text, topK=10): """ 自动判断语言类型并提取关键词 :param text: 输入文本 :param topK: 返回关键字的数量,默认为 10 :return: 关键字及其权重 """ try: lang = detect(text[:100]) except Exception as e: lang = "unknown" if lang.startswith("zh"): return extract_chinese_keywords(text, topK=topK)[0] elif lang.startswith("en"): return list(extract_english_keywords([text], topK=topK).values())[0] else: raise ValueError("Unsupported language detected!") # 测试自动关键词提取功能 if __name__ == "__main__": mixed_text = "Python是一个强大的编程语言,广泛用于机器学习和数据科学。Python is widely used in machine learning and data science due to its simplicity." print("\nAuto Keyword Extraction Result:") keywords = auto_extract_keywords(mixed_text, topK=5) for word, weight in keywords: print(f"{word}: {weight:.4f}") ``` 此部分扩展了前面的功能,增加了对中英双语的支持,并通过 `langdetect` 模块动态选择合适的关键词提取策略[^2]。 --- #### 总结 上述代码提供了完整的中英文关键词提取方案,覆盖了从基础库调用到实际场景的应用全流程。无论是单独针对某一种语言还是应对复杂的多语言环境,都能满足需求。

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

Python内容推荐

python多进程提取处理大量文本的关键词方法

python多进程提取处理大量文本的关键词方法

在这篇技术分享中,提到的文本数据来源是名为message.txt的文件,其中存放了581行文本,共计7M的数据。每行文本需要提取出100个关键词。

100行python代码 帮你实现同花顺A股下单

100行python代码 帮你实现同花顺A股下单

本例通过python 外挂实现了A股交易下单,测试支持目前最新版的同花顺下单,目前写的比较粗糙,供给各位共同学习。在使用前请设置客户端,网上股票交易系统——系统设置——快速交易,设置所有操作均不需要确

python100行代码写一个弹球游戏

python100行代码写一个弹球游戏

总之,Python的pgzero库为开发PONG这样的弹球游戏提供了高效、易学的工具。通过100行代码实现这个游戏,你不仅能够体验到编程的乐趣,还能加深对Python游戏开发的理解。

100行python代码写一个弹球游戏

100行python代码写一个弹球游戏

该项目使用约100行Python代码实现了双人乒乓球游戏,支持键盘控制挡板、小球碰撞反弹、实时计分及音效反馈。代码基于pgzero框架,包含基础玩法与扩展特效,如粒子效果、加速模式和重力变化,适合初学

100行Python代码实现自动抢火车票(附源码)

100行Python代码实现自动抢火车票(附源码)

标题中的“100行Python代码实现自动抢火车票(附源码)”是指通过Python编程语言编写的小型脚本,用于自动化抢购12306网站上的火车票。

使用python+pygame,100行代码实现基本贪吃蛇游戏

使用python+pygame,100行代码实现基本贪吃蛇游戏

在本项目中,我们利用Python3的pygame模块创建了一个简单的贪吃蛇游戏,代码量仅为100行,其中核心部分约90行。

光线追踪算法_100行python代码pdf.pdf

光线追踪算法_100行python代码pdf.pdf

光线追踪算法_100行python代码pdf.pdf光线追踪算法(Ray Tracing)是一种用于生成照片级真实感图像的技术。该技术通过模拟光线在三维场景中的行为,生成高质量的图像。

100行Python代码实现自动抢火车票

100行Python代码实现自动抢火车票

在这段关于使用Python实现自动抢火车票的描述中,我们可以提取出以下技术知识点:1.

用100多行python代码写一个数据库

用100多行python代码写一个数据库

数据库的名字叫WawaDB,是用python实现的。由此可见python是灰常强大啊!简介记录日志的需求一般是这样的:只追加,不修改,写入按时间顺序写入;大量写,少量读,查询一般查询一个时间段的数据;

python编程代码100例

python编程代码100例

Python编程代码100例"这个资源集包含了100个不同的Python代码示例,旨在帮助学习者深入理解Python的基本概念和实际应用。

100行python代码实现跳一跳辅助程序

100行python代码实现跳一跳辅助程序

【标题】:“100行Python代码实现跳一跳辅助程序”【描述】:这篇文章讲述了如何使用100行Python代码编写一个辅助程序,帮助玩家玩微信小游戏“跳一跳”。

Python 100例代码

Python 100例代码

Python 100例代码" 是一个针对初学者和进阶者的学习资源,旨在通过实际的编程例子帮助用户掌握Python 3.x的基本概念和常用操作。

一段樱花树的python代码.py

一段樱花树的python代码.py

一段樱花树的python代码,每一次都是随即绘制的。

Python-while 计算100以内奇数和的方法

Python-while 计算100以内奇数和的方法

本文主要讲解了如何使用Python编程语言中的while循环来计算100以内所有奇数的和。在Python中,while循环是一种控制流结构,它允许程序在满足特定条件时反复执行一段代码,直到条件不再满足

python代码打印100-999之间的回文数示例

python代码打印100-999之间的回文数示例

**while循环**:Python中的`while`循环允许我们在满足特定条件时重复执行一段代码。在这个例子中,循环继续直到`i`小于等于999。

Python这样操作能存储100多万行的xlsx文件

Python这样操作能存储100多万行的xlsx文件

本文主要介绍了如何使用Python处理大型Excel文件,特别是存储100多万行数据的xlsx文件。在Python中,针对不同版本的Excel文件,需要使用不同的库进行操作。对于2003版的xls文

100游戏:我尝试用100行或更少的行数编写python游戏

100游戏:我尝试用100行或更少的行数编写python游戏

在这个特定的项目中,名为"100-game-master"的压缩包文件,挑战开发者以极其有限的代码量(100行或更少)来创作一个完整的Python游戏。

SmallCalculator:一个小型计算器,具有五个最简单的操作,用Python写成100行或更少的代码!

SmallCalculator:一个小型计算器,具有五个最简单的操作,用Python写成100行或更少的代码!

小型计算器一个小型计算器,具有五个最简单的操作,用Python写成100行或更少的代码! (我在学习Python时就写了这篇文章,对此编程语言的简易程度深感惊讶,因此,我决定用少于100行的代码来取代

100行Python代码实现每天不同时间段定时给女友发消息

100行Python代码实现每天不同时间段定时给女友发消息

本篇文章介绍了一个利用Python实现每天不同时间段定时给女友发送消息的实例,总共约100行代码,旨在帮助程序员们理解如何使用Python进行定时任务的设置和微信消息的发送。1.

python openvc 裁剪、剪切图片 提取图片的行和列

python openvc 裁剪、剪切图片 提取图片的行和列

**提取特定行**: 若要单独提取某一行,例如第`y`行,可以将裁剪的范围设置为只包含这一行: ```python def cut_img(input_path, y, output_path): img

最新推荐最新推荐

recommend-type

DuCut_1795224829955_400.mp4

DuCut_1795224829955_400.mp4
recommend-type

互联网+智慧医疗大数据信息平台建设方案.pptx

互联网+智慧医疗大数据信息平台建设方案.pptx
recommend-type

数据挖掘实战项目-从零实现决策树、朴素贝叶斯、KMeans与PCA,含清洗特征评估全流水线,33个源文件8457行

内容概要:190 页项目教程 + 一套从零实现的数据挖掘算法库与流水线,按源文件交付 33 个模块:数据集读取与 schema 校验、清洗(缺失填充、去重、IQR/Z-score 异常值、类别编码)、特征工程(标准化、分箱、多项式、方差/相关/卡方选择)、切分与分层 K 折交叉验证、CART 决策树(基尼、连续特征二分、剪枝)、朴素贝叶斯(高斯/多项式 + 拉普拉斯平滑)、KNN、线性回归(正规方程与梯度下降双实现、残差分析)、逻辑回归(交叉熵 + L2 + 梯度校验)、KMeans(k-means++ 与轮廓系数)、PCA(特征值分解与解释方差)、指标(混淆矩阵、P/R/F1、手算 ROC-AUC)、流水线(先切分后 fit,防数据泄漏)、报告与 CLI。 适合人群:要做数据挖掘课设或毕设的同学;只会调库、被问「决策树怎么分裂」答不上来的开发者;想把算法写成可跑代码而不是背公式的人。 使用场景及目标:照着教程手写每个算法,跑通三个可复现数据集,最后用一条命令跑完整流水线并输出指标报告;每个算法都配边界用例(空集、单样本、全同类、常数列、NaN),结论能被复算。 其他说明:33 个源文件 8,457 行,主机侧用例全部通过(本机 make test 实跑,只用标准库 + numpy,不依赖任何机器学习框架)。代码完整,无省略、无伪代码,数值下溢保护与参数校验全部保留。
recommend-type

A Survey of LLM Negotiation and Bargaining Agents |LLM谈判与议价智能体综述 |arxivreview

# A Survey of LLM Negotiation and Bargaining Agents |LLM谈判与议价智能体综述 |arxivreview 综述原文见 [ArxivReview](https://www.arxivreview.com/surveys/LLM%20Negotiation%20and%20Bargaining%20Agents) ## 导读 大语言模型(LLM)谈判智能体正经历从语言模拟向经济理性的范式跃迁,其核心矛盾在于人类对齐训练带来的亲社会偏见与博弈论要求的最优策略之间的冲突。早期研究聚焦于自然语言生成的流畅性,但NegotiationArena等基准迅速揭示了模型在策略推理上的系统性缺陷,如锚定偏差与过度合作。为修正这些非理性行为,研究重心转向可验证奖励强化学习(RLVR),利用客观经济信号替代主观人类偏好,显著提升了剩余提取能力。与此同时,情感策略蒸馏与机制可解释性分析作为互补路线,分别解决了边缘部署中的能力缺失与偏差的神经基础问题。各路线在策略理性、部署效率与可解释性之间做出了不同取舍,由此形成当前多元并存的方法格局。本综述梳理这条从行为优化到机制理解的因果演进链条,为读者提供一张领域认知地图。全文按问题演化与路线取舍组织,覆盖该领域从奠基到当前的主要工作。 ## 1. 研究背景、问题结构与演进脉络 LLM谈判与议价智能体领域的兴起,源于大语言模型从静态文本生成向自主智能体(Autonomous Agents)的范式转变。早期研究如Lewis et al. (2017)提出的DealOrNoDeal和He et al. (2018)的CraigslistBargain,局限于基于规则或简单神经网络的文本谈判协议,缺乏对复杂策略推理和自然语言说服力的建模。这些工作确立了基于对话历史的策略生成与语言生成分离的早期架构,但仅
recommend-type

112-基于STM32太阳能共享储物快递柜控制系统设计(设计+程序+原理).rar

硬件驱动开发实战项目 项目112-基于STM32太阳能共享储物快递柜控制系统设计(设计说明书+全套资料) 资料包括Proteus仿真+Keil程序+Altium Designer原理图+软件安装包+参考设计说明书+答辩PPT+设计流程图,保证资料完整性! 功能: (1)本系统以STM32F103VET6单片机为核心控制器,统筹柜门与电源逻辑运算,保障共享储物全流程稳定运行。 (2)采用HC-SR04超声波与ACS712电流传感器组合采集,分别检测柜内物品存放状态与太阳能供电系统的实时电流参数。 (3)使用2.8寸TFT电阻触摸屏实时显示柜门状态、剩余电量与取件操作指引,交互界面清晰直观,操作响应流畅无延迟。 (4)配备SG90舵机与有源蜂鸣器作为执行装置,验证通过后自动解锁对应柜门,存件取件完成后触发蜂鸣器操作反馈。 (5)内置独立按键支持柜门状态手动查询与系统参数校准,依托太阳能供电,适配户外社区、驿站的共享快递储物场景需求。
recommend-type

西南大学2012计信院保研试题:计算机网络解析

"西南大学2012年计信院保研题" 这篇资料涉及的是西南大学计算机与信息科学学院在2012年的保研考试题目,主要考察了计算机网络的相关知识,包括TCP/IP协议簇、网络地址、数据传输机制以及DNS应用协议等核心概念。 1. UDP(User Datagram Protocol,用户数据报协议)与IP协议虽然都是无连接的,但它们服务于不同的层次和目的。UDP提供的是无连接、不可靠的服务,适合于对实时性要求高的应用,如VoIP或在线游戏。而TCP(Transmission Control Protocol,传输控制协议)虽然也是基于IP,但它提供了面向连接、可靠的数据传输服务,确保数据包按序到达且无丢失,适用于HTTP、FTP等需要保证数据完整性的应用。因此,TCP/IP协议簇同时使用UDP是为了满足不同类型应用的需求。 2. MAC地址(Media Access Control Address)是物理网络接口的唯一标识,用于局域网内的数据帧传输。然而,MAC地址仅在局域网内部有效,无法跨网络进行识别。IP地址(Internet Protocol Address)则是全球唯一的网络层地址,使得数据包能够在互联网上正确路由。ARP(Address Resolution Protocol,地址解析协议)用于将IP地址转换为对应的MAC地址,以便在局域网内进行数据传输。 3. TCP实现可靠数据传输服务采用了多种技术,包括: - 序列号和确认应答:每个发送的数据包都有一个唯一的序列号,接收方通过确认应答来确认接收到的数据包,确保数据的有序性。 - 流量控制:通过滑动窗口机制限制发送方的发送速率,避免接收方来不及处理导致拥塞。 - 拥塞控制:当网络出现拥塞时,TCP会减缓数据发送速率,以减少拥塞。 - 重传机制:如果接收方没有收到某个数据包,它会发送负确认,发送方会重新发送丢失的数据包。 - 时间戳:用于计算往返时延并检测旧的数据包。 4. 基于TCP/IP协议的DNS(Domain Name System,域名系统)应用协议实现过程大致如下: - 用户发起DNS查询,请求将域名转换为IP地址。 - 查询通常首先发送到本地DNS解析器,如果解析器缓存中有对应记录,则直接返回结果。 - 若缓存中没有,解析器会向根DNS服务器查询,根服务器会指引到顶级域服务器。 - 顶级域服务器再指向权威DNS服务器,该服务器负责管理特定域名的记录。 - 权威服务器返回IP地址,整个过程使用TCP或UDP完成,TCP用于大数据量的区域传输,UDP用于常规查询。 5. 题目给出的网络拓扑图涉及路由器A、B、C,要求构建路由表。路由表通常包含目的地址和下一跳地址,用于指导数据包的转发。根据网络拓扑,路由器A的路由表可能如下: - 目的地址:192.168.1.0/24,下一跳:S0/0 - 目的地址:192.168.2.0/24,下一跳:S3/0 - 目的地址:192.168.3.0/24,下一跳:S1/0 - 默认路由(所有其他未列出的目的地址):S0/0 同样,需要构建路由器B和C的路由表,考虑它们与其他路由器的连接以及到目标网络的路径。这需要对网络路由原理有深入理解,包括子网掩码、默认路由、静态路由和动态路由协议等知识。
recommend-type

企业级Selenium基础设施设计(一):驱动仓库统一纳管+灰度发布+自动降级——支撑日均200万次自动化执行的工业级架构(附开源组件清单)

# 企业级 Selenium 基础设施:从偶发失败到百万级稳定执行的工程纵深 当 CI 流水线里那句熟悉的 `org.openqa.selenium.TimeoutException: timeout: Timed out receiving message from renderer` 第 17 次在凌晨三点弹出时,你盯着监控面板上那条忽高忽低的“偶发失败率”曲线——12.3%,像一道无法愈合的伤口。本地能跑通的脚本,在流水线里却像被施了诅咒;Chrome 124 刚发布,团队就陷入驱动版本、浏览器内核、glibc 版本三者交织的泥潭;某次灰度升级后,亚太区的回归任务集体超时,发布窗口被迫
recommend-type

数据流模型性能仿真常用工具有哪些?它们各自适合什么场景?

### DataFlow模型性能仿真工具和方法 对于DataFlow模型的性能仿真实验,多种工具和技术可以支持这一过程。这些工具不仅能够帮助理解数据流图的行为特性,还能评估不同优化策略的效果。 #### 工具选择 一种常用的工具是Simulink中的SimEvents扩展模块[^3]。该模块允许创建离散事件系统模型来模拟复杂的生产、通信和服务网络。通过定义实体生成器、队列、服务器和其他组件之间的交互关系,可以构建精确的数据流动态行为表示形式。 另一种专门针对多速率同步数据流程序设计的语言是Ptolemy II框架下的SDF(Synchronous Data Flow)。它提供了图形化界
recommend-type

VS2008编译Wireshark指南

"这篇文档详细介绍了如何在Windows环境下使用Visual Studio 2008 (VS2008) 编译Wireshark源代码。主要步骤包括安装VS2008、Cygwin、Python,下载Wireshark源码,修改config.nmake文件,设置环境变量,以及进行编译。特别强调了某些特定版本的选择和配置,如Wireshark 1.7.0和Python 2.7,以及针对不同VS版本的config.nmake文件的调整。" Wireshark是一款强大的网络封包分析软件,它允许用户查看网络通信的数据包详情。在Windows平台上,使用VS2008编译Wireshark源码可以帮助开发者进行定制化开发或调试。以下是详细的步骤: 1. 安装Visual Studio 2008: 选择适合自己的安装选项,确保包含必要的编译工具。VS2008的编译器将用于构建Wireshark。 2. 安装Cygwin: Cygwin是一个提供Linux环境的工具集合,用于在Windows上运行许多开源工具。在安装Cygwin时,务必选择必要的库,如Archive(解压)、Devel(开发工具,包括bison和flex)、Interpreters(Python)、Utils(patch和dos2unix)和Web(wget),这些是编译Wireshark所必需的。 3. 安装Python 2.7: Wireshark编译过程中会使用Python,因此需要确保安装正确版本。Python 2.4-2.7通常兼容,但其他版本可能存在问题。 4. 下载Wireshark源码: 选择合适的版本,建议使用Wireshark 1.7.0,因为这个版本已知与VS2008和指定的库版本兼容。注意,高版本可能需要Qt 5,需要额外安装。 5. 修改`config.nmake`文件: 在Wireshark源码根目录下找到此文件,用文本编辑器(如Notepad++)打开,取消`MSVC_VARIANT`行的注释,将其设置为`MSVC2008`。同时,确认`WIRESHARK_TARGET_PLATFORM`设置为`win32`,尽管有些教程建议改为`win64`,但在某些情况下可能导致编译错误。 6. 添加环境变量: 根据编译需要,可能需要设置或调整系统的环境变量,包括指向Cygwin、Python和其他工具的路径。 7. 编译Wireshark: 使用VS2008打开Wireshark项目,然后进行编译。如果遇到问题,检查上述步骤是否正确执行,以及所有依赖项是否已安装。 在编译过程中可能会遇到各种错误或警告,这可能需要对源代码或配置文件进行进一步调整。熟悉C++、Cygwin工具链和Wireshark的构建系统将有助于解决这些问题。编译成功后,就可以使用自定义的Wireshark版本来分析网络流量,或进行更深入的开发工作。
recommend-type

Selenium + WSL2深度整合秘籍:Windows下复现Linux级稳定性的7层隔离机制(含systemd user session注入与cgroup v2资源管控实录)

以下是对您提供的技术博文进行深度润色后的最终版本。全文严格遵循您的全部优化要求: - ✅ **完全去除所有显性标题层级**(如“引言”“2.1”“3.2.1”等),代之以自然段落过渡与语义锚点; - ✅ **打破“总—分—总”结构**,以真实工程痛点切入,将原理、代码、验证、归因、运维实践有机交织; - ✅ **彻底消除AI模板痕迹**:无“本文将…”“首先…其次…”“综上所述”等句式;大量使用设问、插入语、工程师口语化表达(如“别急着重启”“这坑我们踩过三次”“你猜怎么着?”); - ✅ **注入一线工程洞察**:每项技术选择均附带权衡说明(“为什么不用Docker?”“为何放弃--use