零基础档案聚类分析实操：10分钟完成文档批量归类

实操前准备

工具安装

执行安装命令：pip install pandas scikit-learn jieba，三个库分别负责数据处理、聚类算法、中文分词，无需额外配置即可使用。

数据准备

将待聚类的档案整理为CSV文件，包含两列：id（档案唯一标识）、content（档案正文内容），示例数据如下：

• id,content
• 1,张三，2018年入职，计算机专业，从事Python开发5年
• 2,李四，2020年入职，会计专业，负责财务报表编制
• 3,王五，2019年入职，市场营销专业，负责线下活动策划

下载中文停用词表：复制链接https://raw.githubusercontent.com/goto456/stopwords/master/cn_stopwords.txt，保存为项目目录下的stopwords.txt（停用词是“的、了、在”这类无意义助词，能大幅提升聚类准确性）。

核心实操步骤

步骤1：加载与预处理数据

编写代码加载原始数据、停用词，用jieba分词处理档案内容，去除停用词和单字（减少噪声干扰）。

步骤2：文本特征提取

用TF-IDF算法将文本转换为计算机可识别的数值特征，该算法会给重要词汇分配更高权重（比如“Python”在技术类档案中权重远高于通用词），无需手动计算权重。

步骤3：执行聚类计算

用K-Means聚类算法完成分类，调整K值（n_clusters=k）对应需要的类别数，示例中设K=3对应技术、财务、市场三类，符合常见档案分类逻辑。

步骤4：输出聚类结果

将聚类标签与原始档案数据合并，保存为clustered_archive.csv，直接用Excel打开即可查看归类结果。

完整实操代码

```python import pandas as pd import jieba from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.cluster import KMeans 1. 加载档案数据 df = pd.read_csv('test_archive.csv') 2. 加载停用词表 with open('stopwords.txt', 'r', encoding='utf-8') as f: stop_words = {line.strip() for line in f} 3. 档案文本分词与清洗 def process_text(text): words = jieba.lcut(text) 过滤停用词、单字 filtered = [w for w in words if w not in stop_words and len(w) > 1] return ' '.join(filtered) df['processed_content'] = df['content'].apply(process_text) 4. 转换为TF-IDF特征 tfidf = TfidfVectorizer() tfidf_matrix = tfidf.fit_transform(df['processed_content']) 5. K-Means聚类（可调整n_clusters修改类别数） k = 3 kmeans = KMeans(n_clusters=k, random_state=42) df['cluster_label'] = kmeans.fit_predict(tfidf_matrix) 6. 导出结果文件 df.to_csv('clustered_archive.csv', index=False, encoding='utf-8-sig') ```

结果调整技巧

• 若聚类结果混乱，先检查停用词表是否完整，补充“员工”“任职”这类通用重复词；
• 若某类档案被拆分，可调整K值（比如将K=3改为K=4，对应细分的技术子类）；
• 如需优化分词，可添加自定义词典，代码中加入`jieba.load_userdict("custom_dict.txt")`，加入“财务报表”“线下活动”这类档案专属词汇。