新浪新闻文本分类 语料库重建 本项目的语料来源新浪新闻网，通过spider.py爬虫模块获得全部语料，总计获得10类新闻文本，每一类新闻文本有10条。 采纳新浪新闻网的一个api获取新闻文本，api的url为 使用进度池并发执行爬虫，加快抓取速度。 数据预处理 本项目的数据预处理包括：分词处理，去噪，向量化，由stopwords.py模块，text2term.py模块，vectorizer.py模块实现。 本项目借助第三方库解霸完成文本的分词处理。 通过停用词表移除中文停用词，通过正则表达式消除数字（中文数字＆阿拉伯数字）。 filter_pattern = re . compile ( ur'[-+]?[\w\d]+|零|一|二|三|四|五|六|七|八|九|十|百|千|万|亿' ) 使用进程池并发执行数据的分词和去噪，加快数据预处理的过程。 把数据集1：1划分为训练集和测试集，各50w篇文档。 通过scikit-learn提供的CountVectorizer类完成矢量化，得到训练集和测试集两个文本的特征矩阵，矩阵类型为稀疏矩阵。 移除文档中文档频率小于0.1％的特征，这些特征我们认

Ｇ Ｂ ／ Ｔ ２０２５７ 的 本 部 分 规 定 了 １ ∶ ５００ 、 １ ∶ １ ０００ 、 １ ∶ ２ ０００地 形 图 上 表 示 的 各 种 自 然 和 人 工 地 物 、地 貌 要 素 的 符 号 和 注 记 的 等 级 、规 格 和 颜 色 标 准 、图 幅 整 饰 规 格 ，以 及 使 用 这 些 符 号 的 原 则 、要 求 和 基 本方 法 。 本 部 分 适 用 于 １ ∶ ５００ 、 １ ∶ １ ０００ 、 １ ∶ ２ ０００ 地 形 图 的 测 绘 ，也 是 各 部 门 使 用 地 形 图 进 行 规 划 、设 计 、科 学 研 究 的 基 本 依 据 。 编 制 其 他 图 种 的 地 理 底 图 或 测 绘 相 应 比 例 尺 的 地 图 可 参 照 使 用 。

本数据集来源于《1:100万中国植被图集》，由中国科学院有关研究所、有关部委和各省区有关部门、高等院校等共同编制。数据来源：中国科学院资源环境科学数据中心。这里主要提供1:100万矢量数据及植被类型对照表。

全国1：100万基础地理数据覆盖全国陆地范围和包括台湾岛、海南岛、钓鱼岛、南海诸岛在内的主要岛屿及其临近海域，共77幅1:100万图幅，该数据整体现势性为2015年。数据采用2000国家大地坐标系，1985国家高程基准，经纬度坐标。 下载数据均采用1：100万标准图幅分发，内容含行政区（面），行政境界点（领海基点），行政境界（线），水系（点、线、面），公路、铁路（点、线），居民地（点、面），居民地地名（注记点），自然地名（注记点）等12类要素层。

最新：国家基本比例尺地图图式，第1部分：1：500 1：1000 1：2000地形图图式GBT 20257.1-2017

80坐标

1：100万中国行政shape（WGS84）.zip

（最新数据库标准） 基础地理信息要素数据字典 GBT 20258.1-2019 第1部分 ：1：500 1 ：1000 1 ：2000比例尺

中国1：10万标准图框，数据有面两个图层（属性含有图幅号），数据格式为shp，地理坐标系WGS84

2017国家基本比例尺地图图式第1部分：1：5001：10001：2000地形图图式。