#-*-?coding:utf-8?-*-
import?math
import?os
import?fileinput

TEXT?=?0??#某類別的文檔數目
SUCCEED?=?0
Docs?=?[]

Path?=?“G:\文本聚類數據集\數據集“.decode（‘utf8‘）.encode（‘cp936‘）
w_Path?=?“G:\文本聚類數據集\特征數據集“.decode（‘utf8‘）.encode（‘cp936‘）

##計算權重函數，tf為某詞在文章中出現的次數，df為包含該詞的文檔數，max文章中出現次數最多的詞條數
##返回值為TF-IDF權重

##把特征向量按權重進行排序
def?sort（termsTF_IDF）:
????for?i?in?range（0len（terms））:
????????m?=?i
????????for?j?in?range（i+1len（terms））:
????????????if?TF_IDF[j]>TF_IDF[m]:
????????????????m?=?j
????????if?i!=m:
????????????temp?=?terms[i]
????????????terms[i]?=?terms[m]
????????????terms[m]?=?temp
????????????v?=?TF_IDF[i]
????????????TF_IDF[i]?=?TF_IDF[m]
????????????TF_IDF[m]?=?v

def?save_words（path）:
????global?Docs??TEXT
????terms?=?[]
????fp?=?open（path“r“）
????while?True:
????????line?=?fp.readline（）
????????if?not?line?:?break
????????terms.append（line）
????fp.close（）
????Docs.append（terms）
????TEXT?+=?1

def?GenerateIDF（path）:
????global?Docs??TEXT
????terms?=?[]
????IDF?=?[]
????idf?=?0.0
????fp?=?open（path“r“）
????while?True:
????????line?=?fp.readline（）
????????if?not?line?:?break
????????flag?=?0
????????for?i?in?range（0len（terms））:
????????????if?line?==?terms[i]:
????????????????flag?=?1
????????if?flag?==?0:
????????????terms.append（line）
????fp.close（）
????for?j?in?range（0len（terms））:
????????df?=?0
????????for?i?in?range（0len（Docs））:
????????????flag?=?0
????????????doc?=?Docs[i]
????????????for?k?in?range（0len（doc））:
????????????????if?terms[j]?==?doc[k]:
????????????????????flag?=?1
????????????????????break
????????????if?flag?==?1:
????????????????df?+=?1
????????idf?=?math.log（float（TEXT）/float（df）+0.01）
????????IDF.append（idf）
????return?IDFterms

def?GenerateTF（pathterms）:
????all_terms?=?[]
????TF?=?[]
????terms_count?=?len（terms）
????fp?=?open（path“r“）
????while?True:
????????line?=?fp.readline（）
????????if?not?line?:?break
????????all_terms.append（line）
????for?i?in?terms:
????????tf?=?0
????????for?j?in?all_terms:
????????????if?i?==?j:
????????????????tf?+=1
????????TF.append（float（tf）/float（terms_count））
????fp.close（）
????return?TF

def?save_weight（TFIDFtermspath）:
????global?SUCCEED
????TF_IDF?=?[]
????top?=?200
????if?len（TF）????????top?=?len（TF）
????for?i?in?range（0len（TF））:
????????TF_IDF.append（float（TF[i]）*float（IDF[i]））
????fp?=?open（path“w+“）
????sort（termsTF_IDF）
????for?i?in?range（0top）:
????????string?=?terms[i].strip（）+“?“+str（TF_IDF[i]）+‘\n‘
????????fp.write（string）
????????SUCCEED?+=?1
????fp.close（）

def?read_dir（pathw_path）:
????global?SUCCEED
????file_list?=?[]
????files?=?os.listdir（path）
????print?“please?wait......“
????for?f?in?files:
????????file_list.append（f）
????????r_name?=?path?+?‘\\‘?+?f
????????save_words（r_name）
????print?“sum?of?docs?is:%d“%TEXT
????for?i?in?file_list:
????????print?i
????????name?=?path?+?‘\\‘?+?i
????????w_name?=?w_path?+?‘\\‘?+?i
????????IDFterms

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----

?????文件???????3457??2015-10-22?22:52??TFIDFMeasure.py

?????文件???????3455??2015-05-25?19:40??DFTF.CPP

-----------?---------??----------?-----??----

?????????????????6912????????????????????2