返回顶部

收藏

比较两个文本的相似性,分词版。

更多

比较两个带有中文文本的相似性。实现到了分词以及余弦定理。

#!/usr/bin/env python
# -*- coding: utf-8 -*

import re
from math import sqrt
#You have to install the python lib
import jieba

def file_reader(filename,filename2):
    file_words = {}
    ignore_list = [u'的',u'了',u'和',u'呢',u'啊',u'哦',u'恩',u'嗯',u'吧'];
    accepted_chars = re.compile(ur"[\\u4E00-\\u9FA5]+")

    file_object = open(filename)

    try:
        all_the_text = file_object.read()
        seg_list = jieba.cut(all_the_text, cut_all=True)
        #print "/ ".join(seg_list)
        for s in seg_list:
            if accepted_chars.match(s) and s not in ignore_list:
                if s not in file_words.keys():
                    file_words[s] = [1,0]
                else:
                    file_words[s][0] += 1
    finally:
        file_object.close()

    file_object2 = open(filename2)

    try:
        all_the_text = file_object2.read()
        seg_list = jieba.cut(all_the_text, cut_all=True)
        for s in seg_list:
            if accepted_chars.match(s) and s not in ignore_list:
                if s not in file_words.keys():
                    file_words[s] = [0,1]
                else:
                    file_words[s][1] += 1
    finally:
        file_object2.close()

    sum_2 = 0
    sum_file1 = 0
    sum_file2 = 0
    for word in file_words.values():
        sum_2 += word[0]*word[1]
        sum_file1 += word[0]**2
        sum_file2 += word[1]**2

    rate = sum_2/(sqrt(sum_file1*sum_file2))
    print 'rate: '
    print rate

file_reader('thefile.txt','thefile2.txt')
#该片段来自于http://outofmemory.cn

标签:python,算法

收藏

0人收藏

支持

0

反对

0

相关聚客文章
  1. 小数点 发表 2017-04-18 02:43:37 python学习之路——python切片模拟LRU算法
  2. 姚 广远 发表 2015-06-19 00:23:25 用Python实现各种排序算法
  3. rainy 发表 2015-11-25 03:05:26 图像主题色提取算法
  4. Yusheng 发表 2016-06-29 20:16:49 哈夫曼编码 —— Lisp 与 Python 实现
  5. fox64194167 发表 2018-05-27 00:12:22 python 搜索插入位置
  6. TLHL28 发表 2011-05-23 03:20:37 triple_des(des3) 算法 - php,python 实现
  7. Yushneng 发表 2016-04-25 13:51:00 可视化图的基本算法
  8. 0X55AA 发表 2015-01-05 03:42:41 python的__slots__
  9. fox64194167 发表 2018-05-26 23:53:35 python 寻找重复的数
  10. youngsterxyf 发表 2012-11-21 16:00:00 pi的一种并行算法
  11. rainy 发表 2015-09-02 15:52:26 网页正文及内容图片提取算法
  12. 数控小V 发表 2016-02-17 03:14:02 机器学习算法 Python&R 速查表

发表评论