python机器学习-乳腺癌细胞挖掘（博主亲自录制视频）https://study.163.com/course/introduction.htm?courseId=1005269003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share
http://blog.csdn.net/boksic/article/details/7216468参考
受http://yixuan.cos.name/cn/2011/03/text-mining-of-song-poems/这篇文章的启发，觉得PYTHON来做文字处理分析应该不错，可以来做个词频分析，分析聊天记录可以看出每个人的说话习惯
用的是暴力方法 不用语义分析 直接列出所有出现的字词
做下来觉得难点就在中文编码这部分 python下中文涉及的编码转化确实要琢磨一番
首先数据文件要存为utf-8格式
在python显示中文的关键代码：
- import sys
- reload(sys)
- sys.setdefaultencoding('utf8')
- txt.encode('gb18030')
txt为中文字符串
搜索中文，用正则表达式匹配：
- r = re.compile('[x80-xff]+')
- m = r.findall(txt)
字典排序，按照value排序，代码很精简：
- dict=sorted(dict.items(), key=lambda d:d[1])
代码：
- #coding=utf-8
- #Author: http://blog.csdn.net/boksic
- import sys,re
- reload(sys)
- sys.setdefaultencoding('utf8')
- txt = open('blog.csdn.net.boksic.txt','r').read()
- wfile=open('result.txt','w')
- r = re.compile('[x80-xff]+')
- m = r.findall(txt)
- dict={}
- z1 = re.compile('[x80-xff]{2}')
- z2 = re.compile('[x80-xff]{4}')
- z3 = re.compile('[x80-xff]{6}')
- z4 = re.compile('[x80-xff]{8}')
- for i in m:
- x = i.encode('gb18030')
- i = z1.findall(x)
- #i+= z2.findall(x)
- #i+= z2.findall(x[2:])
- #i+= z3.findall(x)
- #i+= z3.findall(x[2:])
- #i+= z3.findall(x[4:])
- #i+= z4.findall(x)
- #i+= z4.findall(x[2:])
- #i+= z4.findall(x[4:])
- #i+= z4.findall(x[6:])
- for j in i:
- if (j in dict):
- dict[j]+=1
- else:
- dict[j]=1
- dict=sorted(dict.items(), key=lambda d:d[1])
- for a,b in dict:
- if b>0:
- wfile.write(a+','+str(b)+' ')
感觉匹配的代码还不是很好
于是改了一个直接在utf-8格式下搜索的代码
- for l in range(len(i)/3):
- x+=[i[3*l:3*l+3]]
- for l in range(len(i)/3-1):
- x+=[i[3*l:3*l+6]]
- for l in range(len(i)/3-2):
- x+=[i[3*l:3*l+9]]
但实际运行速度太慢了，有时还有错误，望高手指点这部分
最后还是用正则搜索的代码，虽然代码比较冗长 运行速度还可以 50万字的文件 不到一秒就统计完了
（不太理解这里的python正则搜索的速度比数组存取怎么快这么多）
因为这种方法没有什么语义算法，所以得到的结果还需要一些人工筛选
聊天记录的统计效果：
低频单字
高频单字
多字
也来分析下唐诗宋词
单字的话
香,106
何,107
有,109
夜,109
日,111
千,114
年,114
是,114
时,115
相,117
雨,118
月,121
处,128
云,133
山,141
春,157
来,160
天,163
花,179
一,184
不,189
无,193
风,230
人,276
多字
归去,14
明月,14
西风,15
盈盈,15
不见,16
万里,17
多少,17
相思,18
风流,18
当年,18
浣溪,19
回首,19
少年,20
无人,20
千里,22
人间,24
何处,31
http://blog.sina.com.cn/s/blog_8bdd25f80101c7te.html
ps：注意用editplus将文本文件改为utf8格式
'''
import sys
reload(sys)
sys.setdefaultencoding('utf8')
txt.encode('gb18030')
'''
import sys,re
reload(sys)
sys.setdefaultencoding('utf8')
txt = open('d://1.txt','r').read()
wfile=open('d://result.txt','w')
r = re.compile('[x80-xff]+')
m = r.findall(txt)
dict={}
z1 = re.compile('[x80-xff]{2}')
z2 = re.compile('[x80-xff]{4}')
z3 = re.compile('[x80-xff]{6}')
z4 = re.compile('[x80-xff]{8}')
for i in m:
x = i.encode('gb18030')
i = z1.findall(x)
#i+= z2.findall(x)
#i+= z2.findall(x[2:])
#i+= z3.findall(x)
#i+= z3.findall(x[2:])
#i+= z3.findall(x[4:])
#i+= z4.findall(x)
#i+= z4.findall(x[2:])
#i+= z4.findall(x[4:])
#i+= z4.findall(x[6:])
for j in i:
if (j in dict):
dict[j]+=1
else:
dict[j]=1
dict=sorted(dict.items(), key=lambda d:d[1])
for a,b in dict:
if b>0:
wfile.write(a+','+str(b)+' ')
print sum(dict.items())
最近要帮做RA的老姐写个合并excel工作表的脚本……源数据是4000+个excel 工作表，分布在9个xlsm文件里，文件内容是中英文混杂的一些数据，需要从每张表中提取需要的部分，分门别类合并到多个大的表里。
寻觅工具
确定任务之后第一步就是找个趁手的库来干活。 Python Excel上列出了xlrd、xlwt、xlutils这几个包，但是
- 它们都比较老，xlwt甚至不支持07版以后的excel
- 它们的文档不太友好，都可能需要去读源代码，而老姐的任务比较紧，加上我当时在期末，没有这个时间细读源代码
再一番搜索后我找到了openpyxl，支持07+的excel，一直有人在维护，文档清晰易读，参照Tutorial和API文档很快就能上手，就是它了~
安装
这个很容易，直接pip install openpyxl，呵呵呵~
因为我不需要处理图片，就没有装pillow。
一些考虑
- 源文件大约一个在1~2MB左右，比较小，所以可以直接读入内存处理。
- 既然是处理excel，何况他们整个组显然都是win下干活（数据都用excel存了= =，商科的人啊……），这个脚本还是在win下做吧
- 这个任务完全不需要我对现有的文件做修改！囧……我只要读入、处理、再写出另一个文件就行了
学习使用
嗯，就是打开cmd，然后用python的shell各种玩这个模块来上手……（win下没有装ipython，囧）
做这个小脚本基本上我只需要import两个东西
load_workbook顾名思义是把文件导入到内存，Workbook是最基本的一个类，用来在内存里创建文件最后写进磁盘的。
干活
首先我需要导入这个文件
得到的就是一个workbook对象
然后我需要创建一个新的文件
接着在这个新文件里，用create_sheet新建几个工作表，比如
就会从头部插入一个叫career的工作表（也就是说用法类似python list的insert）
接下来我需要遍历输入文件的每个工作表，并且按照表名做一些工作（e.g.如果表名不是数字，我不需要处理），openpyxl支持用字典一样的方式通过表名获取工作表，获取一个工作簿的表名的方法是get_sheet_names
得到工作表之后，就是按列和行处理了。openpyxl会根据工作表里实际有数据的区域来确定行数和列数，获取行和列的方法是sheet.rows和sheet.columns，它们都可以像list一样用。比如，如果我想跳过数据少于2列的表，可以写
如果我想获取这个工作表的前两列，可以写
除了用columns和rows来得到这个工作表的行列之外，还可以用excel的单元格编码来获取一个区域，比如
有点像excel自己的函数，可以拉出一块二维的区域~
为了方便处理，遇到一个没有C列的工作表，我要创建一个和A列等长的空的C列出来，那么我可以用sheet.cell这个方法，通过传入单元格编号和添加空值来创建新列。
注意：excel的单元格命名是从1开始的~
上面的代码也显示出来了，获取单元格的值是用cell.value（可以是左值也可以是右值），它的类型可以是字符串、浮点数、整数、或者时间（datetime.datetime），excel文件里也会生成对应类型的数据。
得到每个单元格的值之后，就可以进行操作了~openpyxl会自 动将字符串用unicode编码，所以字符串都是unicode类型的。
除了逐个逐个单元格用cell.value修改值以外，还可以一行行append到工作表里
最后，等新的文件写好，直接用workbook.save保存就行
这个会覆盖当前已有的文件，甚至你之前读取到内存的那个文件。
一些要注意的地方
-
如果要在遍历一列的每个单元格的时候获取当前单元格的在这个column对象里的下标
for idx, cell in enumerate(colA): # do something... -
为了防止获取的数据两端有看不见的空格（excel文件里很常见的坑），记得strip()
-
如果工作表里的单元格没有数据，openpyxl会让它的值为None，所以如果要基于单元格的值做处理，不能预先假定它的类型，最好用
if not cell.value continue之类的语句来先行判断
-
如果要处理的excel文件里有很多noise，比如当你预期一个单元格是时间的时候，有些表的数据可能是字符串，这时候可以用
if isinstance(cell.value, unicode): break之类的语句处理。
- win下的cmd似乎不太好设定用utf-8的code page，如果是简体中文的话可以用936（GBK），print的时候会自动从unicode转换到GBK输出到终端。
一些帮忙处理中文问题的小函数
我处理的表有一些超出GBK范围的字符，当我需要把一些信息print出来监控处理进度的时候非常麻烦，好在它们都是可以无视的，我直接用空格替换再print也行，所以加上一些我本来就要替换掉的分隔符，我可以：
此外我还有一个需求，是把英文名[空格]中文名分成英文姓、英文名、中文姓、中文名。
首先我需要能把英文和中文分割开，我的办法是用正则匹配，按照常见中英文字符在unicode的范围来套。匹配英文和中文的正则pattern如下：
英文就用ASCII可打印字符的范围替代，常见中文字符的范围是u4e00-u9fff，那个seps是前面提到过的超出GBK范围的一些字符。 除了简单的分割，我还需要处理只有中文名没有英文名、只有英文名没有中文名等情况，判断逻辑如下：
得 到了中文名之后，我需要分割成姓和名，因为任务要求不需要把姓名分割得很明确，我就按照常见的中文名姓名分割方式来分——两个字or三个字的第一个字是 姓，四个字的前两个字是姓，名字带分隔符的（少数民族名字）分隔符前是姓（这里用到了前面的get_clean_ch_string函数来移除分隔符）， 名字再长一些又不带分割符的，假设整个字符串都是名字。（注意英语的first name 指的是名，last name指的是姓，2333）
