xlsx 文件的 Readlines 函数工作不正常

Question

目标是情感分类。步骤是打开 3 个 xlsx 文件，读取它们，用 gensim.doc2vec 方法处理并用 SGDClassificator 分类。只需尝试重复 this code on doc2vec。 Python2.7

with open('C:/doc2v/trainpos.xlsx','r') as infile:
    pos_reviews = infile.readlines()
with open('C:/doc2v/trainneg.xlsx','r') as infile:
    neg_reviews = infile.readlines()
with open('C:/doc2v/unsup.xlsx','r') as infile:
    unsup_reviews = infile.readlines()

但事实证明，生成的列表不是预期的那样：

print 'length of pos_reviews is %s' % len(pos_reviews)
>>> length of pos_reviews is 1

文件对应18、1221、2203个raw。我认为列表将具有相同数量的元素。

下一步是连接所有的句子。

y = np.concatenate((np.ones(len(pos_reviews)), np.zeros(len(neg_reviews))))
x_train, x_test, y_train, y_test = train_test_split(np.concatenate((pos_reviews, neg_reviews)), y, test_size=0.2)

这导致了 x-train、x-test 是句子列表的情况，而

y_train = [0.]
y_test = [1.]

经过这个划分后，每个句子都会得到一个标签：

def labelizeReviews(reviews, label_type):
labelized = []
for i,v in enumerate(reviews):
    label = '%s_%s'%(label_type,i)
    labelized.append(LabeledSentence(v, [label]))
return labelized
x_train = labelizeReviews(x_train, 'TRAIN')
x_test = labelizeReviews(x_test, 'TEST')
unsup_reviews = labelizeReviews(unsup_reviews, 'UNSUP')

正如the numpy documentation中所写，数组的大小应该相等。但是当我将较大的文件减少到 18 行时，没有任何变化。当我在论坛上搜索时，没有人有类似的错误。我已经打破了我的头出了什么问题以及如何解决它。感谢您的帮助！

Answer 1

通常，您无法使用 readlines 或 read 等方法将 Microsoft Excel 文件作为文本文件读取。您应该先将文件转换为另一种格式（好的解决方案是 .csv 可以被 csv module) or use a special python modules like pyexcel and openpyxl 读取以直接读取 .xlsx 文件。

xlsx 文件的 Readlines 函数工作不正常

Readlines function for an xlsx file works inproper

python

xlsx

readlines

doc2vec