差分

このページの2つのバージョン間の差分を表示します。

--- korean:mecab:python_mk_tfidf [2021/11/07 23:25] – [やること] yoshi
+++ korean:mecab:python_mk_tfidf [2021/11/12 19:38] (現在) – [TF-IDFの計算と上位10語の表示] yoshi
@@ 行 1: / 行 1: @@
-====== HanDicの出力結果をPythonで利用する：tf-idfの計算 ======
+====== HanDicの出力結果をPythonで利用する：TF-IDFの計算 ======
 ===== はじめに =====
@@ 行 88: / 行 88: @@
 ここから後は，[[korean:mecab:python_tfidf|]]と同じ手順です．scikit-learnでTF-IDFを計算します．
+<wrap info>[2021/11\09 追記]</wrap> ''TfidfVectorizer()''の''token_pattern''を書いておかないと，古ハングルが無視されて計算されてしまいます．Unicodeの私用領域（PUA）に含まれる古ハングルを，文字コードで指定することにしました（参照：[[https://ja.wikipedia.org/wiki/%E5%8F%A4%E3%83%8F%E3%83%B3%E3%82%B0%E3%83%AB|古ハングル（Wikipedia）]]）．これで合っているか分かりませんが，ともかく古ハングルが含まれた項目も計算に入るようになります．
 <code python>
 # モデルを作成
-vectorizer = TfidfVectorizer(smooth_idf=False)
+vectorizer = TfidfVectorizer(smooth_idf=False, token_pattern='(?u)[\\w\\ue0bc-\\uefff\\uf100-\\uf66e\\uf784-\\uf800\\uf806-\\uf864\\uf86a-\\uf8f7]+')
 values = vectorizer.fit_transform(docs).toarray()
 feature_names = vectorizer.get_feature_names_out()
@@ 行 97: / 行 99: @@
 </code>
+今回はファイル数が少ないので，全てのファイルについてTF-IDFで上位の10語を表示するようにしました．
+<code python>
+for num in range(len(df)):
+    temp_df = []
+    temp_df = df[num:num+1].T
+    temp_df = temp_df.sort_values(by=titles[num], ascending=False)
+    print(temp_df.head(10))
+</code>
+結果は以下の通り（<wrap info>[2021/11/09 追記]</wrap> ''token_pattern''を変えたことで，計算結果に違いが出ましたので変更しておきます．傾向にあまり変わりはありません）：
+<code text>
+     c_sekbo_06_main_v03.txt
+須達                  0.688172
+舍利弗                 0.260852
+精舍                  0.233487
+부텨                  0.233296
+耶輸                  0.159754
+太子                  0.149058
+六師                  0.147465
+사                  0.145260
+目連                  0.122888
+舍衛國                 0.120090
+         c_sekbo_09_main_v03.txt
+有情                      0.475275
+藥師瑠璃光如來                 0.398618
+橫死                      0.245303
+大願                      0.199309
+일훔                      0.197701
+來世                      0.183978
+菩提                      0.183978
+惡趣                      0.137983
+病                       0.123366
+文殊師利                    0.120877
+     c_sekbo_13_main_v03.txt
+부텨                  0.454087
+舍利弗                 0.321053
+佛道                  0.236824
+菩薩                  0.224191
+諸佛                  0.219559
+法                   0.189619
+사                  0.179639
+衆生                  0.149699
+일훔                  0.129739
+佛乘                  0.111446
+     c_sekbo_19_main_v03.txt
+소리                  0.354649
+사                  0.231608
+香                   0.213933
+부텨                  0.209894
+經                   0.172931
+菩薩                  0.171147
+隨喜                  0.161648
+法華經                 0.161648
+得大勢                 0.161648
+得                   0.159230
+     c_sekbo_23_main_v03.txt
+부텨                  0.322129
+舍利                  0.289234
+棺                   0.231640
+供養                  0.219634
+拘尸城                 0.204388
+金棺                  0.204388
+大衆                  0.178889
+如來                  0.165945
+사                  0.165945
+一切                  0.161065
+     c_sekbo_24_main_v03.txt
+王                   0.605065
+尊者                  0.305280
+阿育王                 0.280858
+부텨                  0.209953
+사                  0.139969
+夫人                  0.137691
+善容                  0.134323
+놈                   0.134323
+太子                  0.133305
+塔                   0.129287
+</code>
+須達と舎利仏のストーリーが中心的な巻6，『薬師瑠璃光如来本願功徳経』の翻訳である巻9，『法華経』の翻訳である巻13，19，釈迦入滅後，舎利の扱いを論じる巻23，阿育王の話が出てくる巻24と，それぞれの特徴が示されています．
+===== 終わりに =====
-（以下継続）
+取得したデータをMeCabで処理しながら，その結果を利用するということが多いかと思いますが，既に出力結果がある場合，また出力結果を修正した正解ファイルがある場合も，簡単に処理することができます．形態素解析の結果には誤りも含まれることがあるため，正解ファイルを利用する，ということもニーズがあると思われます．
+{{indexmenu_n>206}}