团队项目冲刺第四天 数据清洗 二

数据清洗 二

第一波对数据的清洗其中已经完成了文本的一个清洗

基本上可以满足当前的准确率

然后是对数据文档的合并 和 新闻类别的抽取

其中 文档的合并是 将所有测试集和训练集的各个部分合并

其中在测试集和训练集的划分是手动完成

总共选取了6个类别

每个类别500条新闻

总共3000条

其中合并是让每则新闻占一行

然后所有类别的新闻全部合并到一个txt文件

类别也是如此让两个文件的每一行进行对应

一条新闻对应他的一个所属类别

然后训练集 测试集的数据合并和类别抽取完成

# encoding=utf-8
import os


def merge_file(path):
    files = os.listdir(path)
    print(files)
    dict = {'娱乐': '1', '汽车': '2', '游戏': '3', '科技': '4', '综合体育最新': '5', '财经': '6'}
    outfile_train = '../dataset_train/x_train.txt'
    outfile_label = '../dataset_train/y_train.txt'
    result_train = open(outfile_train, 'a', encoding='utf-8')
    result_label = open(outfile_label, 'a', encoding='utf-8')
    for file in files:
        text_dir = path + '\' + file
        texts = os.listdir(text_dir)
        for text in texts:
            txt_file_dir = text_dir + '\' + text
            print(txt_file_dir)
            f = open(txt_file_dir, 'r', encoding='utf-8')
            content = f.read()
            if len(content) > 3000:
                content = content.encode('utf-8').decode('utf-8')[0:3000]        # 截取字段
            result_train.write(content+'
')      # 合并文件
            result_label.write(dict[file]+'
')
    result_label.close()
    result_train.close()


if __name__ == "__main__":
    path = r"../dataset_train"
    merge_file(path)