中文信息处理&机器学习-Kmeans实践

　　BagOfWords：

　　1. 见上一篇jieba分词。

　　2. 见上篇，读取分词后文件

　　3. 统计词频并表示成向量：

　　sklearn工具包方法：

from sklearn.feature_extraction.text import CountVectorizer as cv

bows = cv(min_df=2,max_df =10) #词频两次以上，最多10次

　　NLTK包，人工统计。齐夫（Zipf）定律：若把一篇较长的文章中每个词出现的频次从高到低进行递减排列，其数量关系特征呈双曲线分布。是一种经验定律，有待完善。