三體下載
將下載的檔案重新命名為santi.txt,放在檔案的目錄下

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Wed Aug  1 18:31:11 2018

@author: luogan
"""

import jieba
import re
from gensim.models import word2vec
import multiprocessing
import gensim
import numpy as  np
import pandas as pd
import collections
import
 
 pandas 


def segment_text(source_corpus, train_corpus, coding, punctuation):
    '''
    切詞,去除標點符號
    :param source_corpus: 原始語料
    :param train_corpus: 切詞語料
    :param coding: 檔案編碼
    :param punctuation: 去除的標點符號
    :return:
    '''
    with open(source_corpus, 'r', encoding=coding) as f, open(train_corpus, 'w'
 
, encoding=coding) as w:
        for line in f:
            # 去除標點符號
            line = re.sub('[{0}]+'.format(punctuation), '', line.strip())
            # 切詞
            words = jieba.cut(line)
            w.write(' '.join(words))


#if __name__ == '__main__':



# 嚴格限制標點符號
strict_punctuation = '。，、＇：∶；?‘’“”〝〞ˆˇ﹕︰﹔﹖﹑·¨….¸;！´？！～—ˉ｜‖＂〃｀@﹫¡¿﹏﹋﹌︴々﹟#﹩$﹠&﹪%*﹡﹢﹦﹤‐￣¯―﹨ˆ˜﹍﹎+=<­­＿_-\ˇ~﹉﹊（）〈〉‹›﹛﹜『』〖〗［］《》〔〕{}「」【】︵︷︿︹︽_﹁﹃︻︶︸﹀︺︾ˉ﹂﹄︼'
 

# 簡單限制標點符號
simple_punctuation = '’!"#$%&\'()*+,-./:;<=>[email protected][\\]^_`{|}~'
# 去除標點符號
punctuation = simple_punctuation + strict_punctuation

# 檔案編碼
coding = 'utf-8'

#coding ="gb18030"
# 原始語料
source_corpus_text = 'santi.txt'

# 是每個詞的向量維度
size = 10
# 是詞向量訓練時的上下文掃描視窗大小，視窗為5就是考慮前5個詞和後5個詞
window = 5
# 設定最低頻率，預設是5，如果一個詞語在文件中出現的次數小於5，那麼就會丟棄
min_count = 1
# 是訓練的程序數，預設是當前執行機器的處理器核數。
workers = multiprocessing.cpu_count()
# 切詞語料
train_corpus_text = 'words.txt'
# w2v模型檔案
model_text = 'w2v_size_{0}.model'.format(size)

# 切詞 @TODO 切詞後註釋
segment_text(source_corpus_text, train_corpus_text, coding, punctuation)

# w2v訓練模型 @TODO 訓練後註釋
sentences = word2vec.Text8Corpus(train_corpus_text)
model = word2vec.Word2Vec(sentences=sentences, size=size, window=window, min_count=min_count, workers=workers)
model.save(model_text)

# 載入模型
model = gensim.models.Word2Vec.load(model_text)






g= open("words.txt","r")   #設定檔案物件
std= g.read()     #將txt檔案的所有內容讀入到字串str中
g.close()   #將檔案關閉

cc=std.split(' ')



dd=[]
kkl=dict()

'''
將每個詞語向量化，並且append 在dd中，形成一個二維陣列
並形成一個字典，index是序號，值是漢字
'''
for p in range(len(cc)):
    hk=cc[p]
    if hk in model:

        vec=list(model.wv[hk])
        dd.append(vec)
        kkl[p]=hk

#將二維陣列轉化成numpy

dd1=np.array(dd)

from sklearn.cluster import KMeans       

estimator = KMeans(n_clusters=100)  # 構造聚類器
estimator.fit(dd1)  # 聚類
label_pred = estimator.labels_  # 獲取聚類標籤

#index 是某條向量的序號，值是分類號
index1=list(range(len(dd1)))
vc=pd.Series(label_pred,index=index1)


aa = collections.Counter(label_pred)
v = pandas.Series(aa)
v1=v.sort_values(ascending=False)


for n in range(10):
    vc1=vc[vc==v1.index[n]]
    vindex=list(vc1.index)

    kkp=pd.Series(kkl)

    print('第',n,'類的前10個數據')

    ffg=kkp[vindex][:10]
    ffg1=list(set(ffg))

    print(ffg1)

第 0 類的前10個數據
['商討', '合集\u200b', '連載', '劉慈欣簡介', '無奈', '編輯', '事先', '題材', '一二三', '今年']

第 1 類的前10個數據
['的']
第 2 類的前10個數據
['本書', '活', '舉', '作者', '看做', '沒想到', '朋友', '見面', '主人公', '十分之一']
第 3 類的前10個數據
['延續', '雖', '球狀', '更是', '佔', '文革', '部', '冷酷']
第 4 類的前10個數據
[nan, '物理學家', '閃電', '怎樣', '一年', '一時', '往事', '關於', '卻是']
第 5 類的前10個數據
['人類文明', '一段', '試圖', '光年', '重新', '星空', '死亡', '內容']
第 6 類的前10個數據
['不了', '大家', '寫', '仔細', '有時', '空靈', '許多', '如何', '966', '心中']
第 7 類的前10個數據
['精神', '故事', '科幻', '方式', '永遠', '之前']
第 8 類的前10個數據
['裡面', '冷兵器', '了', '自己', '立刻', '中', '已', '頂上']
第 9 類的前10個數據
['在', '的']