作者热门文章
- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
有很多 LDA Mallet 主题建模的例子,但没有一个展示如何向原始数据帧添加主导主题、百分比贡献和主题关键字。
让我们假设这是数据集和我的代码
数据集:
Document_Id Text
1 'Here goes one example sentence that is generic'
2 'My car drives really fast and I have no brakes'
3 'Your car is slow and needs no brakes'
4 'Your and my vehicle are both not as fast as the airplane'
# Gensim
import gensim
import gensim.corpora as corpora
from gensim.utils import simple_preprocess
from gensim.models import CoherenceModel
import pandas as pd
df = pd.read_csv('data_above.csv')
data = df.Text.values.tolist()
# Assuming I have done all the preprocessing, lemmatization and so on and ended up with data_lemmatized:
# Create Dictionary
id2word = corpora.Dictionary(data_lemmatized)
# Create Corpus
texts = data_lemmatized
# Term Document Frequency
corpus = [id2word.doc2bow(text) for text in texts]
model = gensim.models.ldamodel.LdaModel(corpus=corpus,
id2word=id2word,
num_topics=50,random_state=100,
chunksize = 1000, update_every=1,
passes=10, alpha='auto', per_word_topics=True)
def format_topics_sentences(ldamodel, corpus, df):
# Init output
sent_topics_df = pd.DataFrame()
# Get main topic in each document
for i, row in enumerate(ldamodel[corpus]):
row = sorted(row, key=lambda x: (x[1]), reverse=True)
# Get the Dominant topic, Perc Contribution and Keywords for each document
for j, (topic_num, prop_topic) in enumerate(row):
if j == 0: # => dominant topic
wp = ldamodel.show_topic(topic_num)
topic_keywords = ", ".join([word for word, prop in wp])
sent_topics_df = sent_topics_df.append(pd.Series([int(topic_num), round(prop_topic,4), topic_keywords]), ignore_index=True)
else:
break
sent_topics_df.columns = ['Dominant_Topic', 'Perc_Contribution', 'Topic_Keywords']
# Add original text to the end of the output
contents = df
sent_topics_df = pd.concat([sent_topics_df, contents], axis=1)
return(sent_topics_df)
最佳答案
我也在我的项目中使用了这段代码。它为您提供每个文档中的主题关键字和主要主题。
要获得每个主题中的文档百分比贡献,您可以使用:
topics_docs = list()
for m in ldamallet[corpus]:
topics_docs.append(m)
topics_docs_dict = dict()
for i in range(len(df)):
topics_docs_dict[df.loc[i]["Document_Id"]] = [doc for (topic, doc) in topics_docs[i]]
topics_docs_df = pd.DataFrame(data=topics_docs_dict)
docs_topics_df = topics_docs_df.transpose()
通过上面的代码,您将在 docs_topics_df 的行中拥有文档,在 docs_topics_df 的列中拥有主题,以及每个单元格中的百分比贡献。
关于python - 如何将主导主题、贡献百分比和主题关键字返回到原始模型,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/58749620/
在我生命的大部分时间里,我都在为 CPU 编程;尽管对于大多数算法来说,big-Oh 运行时间在 CPU/FPGA 上保持不变,但常数却大不相同(例如,大量 CPU 功率被浪费在数据洗牌上;而对于 F
我是一名优秀的程序员,十分优秀!