PHP计算文档频率与特征向量

步骤：

（1）读取3篇txt格式的英文文档；

（2）对每篇文档进行分词；

（3）利用正则表达式去掉逗号、句号等标点符号；

（4）计算文档频率；

（5）统计特征向量

<?php
    $_txts = array('1.txt','2.txt','3.txt');
    $_len = count($_txts);
    for ($i = 0;$i < $_len;$i++){
        $_contents[] = file_get_contents($_txts[$i]);
    }
       
    for ($i = 0;$i < $_len;$i++){
        //分词
        $_words[] = explode(' ',trim($_contents[$i]));  
        foreach ($_words[$i] as $_key=>$_value){
            $_value = trim($_value);
            $_value = preg_replace('/[.|,|(|)|-|;]/','',$_value);
            $_words[$i][$_key]=strtolower($_value);
               
        }
        //去重
        $_words[$i]= array_unique($_words[$i]);
    }  
       
    //合并
    $_words_com = array_merge($_words[0],$_words[1],$_words[2]);
    //文档频率
    $_df = array_count_values($_words_com);  
    //特征向量
    for ($i = 0;$i < $_len;$i++){
        $_vsm[$i] = $_df;
        foreach($_vsm[$i] as $_key=>$_value){
            $_vsm[$i][$_key] = 0;
        }
        for ($j=0;$j<count($_words[$i]);$j++){
            if (in_array($_words[$i][$j],$_words_com)){
                $_vsm[$i][($_words[$i][$j])] +=1;
            }  
        }
    }  
       
    for($i = 0;$i < count($_vsm); $i++){
        echo '第'.($i+1).'篇文档的特征向量: ('. implode(",",$_vsm[$i]).')<br/>';
    }
       
    print_r($_df);
?>