所以我正在开发一个文本挖掘项目,目前正在尝试实现信息获取。我有一个数据,其中每行描述一个文档。所以新行字符会分割不同的文档。
我必须生成一个矩阵,其中列是所有文档中的所有不同单词,行是不同的文档。如果该单词在该文档中存在与否,则此表中的每个单元格为1(真)或0(假)。
注意:我已经删除了文档中所有重复的单词。
class word_list
{
public string word;
public List<bool> doc = new List<bool>();
}
private void button2_Click(object sender, EventArgs e)
{
//Convert the string into an array of words
string[] w1 = richTextBox1.Text.Split('\n', ' ').Select(x => x.Trim().ToLower()).Distinct().ToArray();
string[] rich_doc = richTextBox1.Text.Split('\n');
List<word_list> words = new List<word_list>();
word_list temp = new word_list();
for (int i = 0; i < w1.Length; i++)
{
temp.word = w1[i];
for (int j = 0; j < rich_doc.Length; j++)//all doc array
{
List<string> doc_word = Regex.Split(rich_doc[j], @"\b").Distinct(StringComparer.CurrentCultureIgnoreCase).ToList();
for (int k = 0; k < doc_word.Count; k++)//All words in a doc
{
if (doc_word[k] == w1[i])
{
temp.doc.Add(true);
words.Add(temp);
}
else
{
temp.doc.Add(false);
words.Add(temp);
}
}
}
}
//generate matrix
int t = rich_doc.Length; //no. of docs
string final_matrix = "Doc number";
for (int i = 0; i < words[0].doc.Count; i++)
{
final_matrix += "\t" + words[i].word;
}
final_matrix += "\n";
for (int i = 0; i < t; i++) //traverse through number of docs
{
final_matrix += i + 1;
for (int h = 0; h < words.Count; h++)//traverse through each distinct word in the list
{
if (words[h].doc[t])
final_matrix += "\t1";
else
final_matrix += "\t0";
}
final_matrix += "\n";
}
richTextBox1.Text = final_matrix;
}//end of button 2
问题是此代码在无限循环中运行。