职业在互联网行业，经常和非结构化数据打交道（如文本、音频），开初，经常寄希望于软件，比如clementine12，但是处理根本不灵活，比如它只支持英文文本挖掘，要做中文的还得翻译，做完分析还得译回来！看过姚老师的《商业数据挖掘案例》中有关的SAS代码，但貌似也是针对英文文本的，总之要用软件，不会太省心。。中文和英文文本挖掘差异很大（可以搜索相关论文对比），因此，谋生了得自己写代码的想法，但是作为数据分析者，哪门语言比较合适呢，个人实践：python语言再合适不过，而且他有很多开源的包，可以处理很多复杂的工作，以下的附件是个人实践所得到的ppt，另外附上一份开源代码针对文本挖掘（注意，这里的代码要根据自己的需要扩充和修改，比如ppt里的结论是经过代码模块扩充和优化了的，分词部分原来的代码写得很粗糙，我将java的ANSJ分词模块植入其中，再写接口导入分词后的数据精度增加了不少；另外，要做算法对比也要自己写代码，这里的ROC曲线可不能像软件里面拖出来就用了，给一篇文章，虽然是matlab写的，但很容易改成python代码），请原谅不能将改造后的代码直接上传，但将主体代码上传了（怎么调用里面有example），另外，按照ppt里的流程绝对可以做好文本挖掘了，也为了督促大家好好学习python，写出自己的分析应用来，绝对好过对软件太依赖。所有的材料只收取4个论坛币，这些都是自己的实践结果，希望在坛子里也有一点点回报，请大家批评指正。



补充：很好的python学习文档“python核心编程”