Python文本数据分析与处理(新闻摘要)

分词

• 使用jieba分词, 注意lcut只接受字符串

过滤停用词

TF-IDF得到摘要信息或者使用LDA主题模型

• TF-IDF有两种
  • jieba.analyse.extract_tags(content, topK=20, withWeight=False) # content为string, topK选出20个关键字, withWeight: 每一个关键词同等重要
  • 使用gensim库
    • from gensim import corpora, models
    • dictinary = corpora.Dictionary(word_list) # 为每一个单词分配一个id, 并记录每一个单词的词频到dfs属性中
    • corpus = [dictionary.doc2bow(line) for line in word_list] # 得到词库, 形式是(token, id)
    • corpus.token2id以[token:id, ...]返回
    • # 将数据处理完之后, 才能使用models进行计算
    • lda = models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=20) # corpus指定语料库, id2word指定字典, id在corpus中, num_toptics指定训练的主题数
    • lda.print_topic(1, 10) # 1为topic的id, 10为topic中关键字的个数
    • lda.print_topic(3, 10) # 3为返回的topic个数, 10为每一个topic中关键字的个数
    • 返回的形式是0.009*"文化" + 0.005*"恋情" + 0.004*"中" + 0.004*"撒" + 0.004*"节目"的列表, 数字为权重

机器学习贝叶斯(文本处理, 判断一句评论是否是侮辱性的[学会了这个, 那么垃圾邮箱, 广告的过滤也一样了, 文本处理贝叶斯的world])

与其他的泰坦尼克号遇难预测等案例不同, 文本处理需要自己在预处理时构建出数据表. 没有后者每一个提供表

不使用第三方库实现的思路

• 获取文本数据
  • 格式: data0 = [['Hello', 'buddy'], ['You', 'silly']], labels = [1, 1]等
  • 二维list, 一个list表示合并在一起可以表示一句话

• 过滤停用词得到去掉停用词的集合data

• 对data进行去重(现在使用的算法不需要单词出现的数量, 如果换作其他算法则不一定), 获取data中所有的单词words, words的形式为list
  • 实现思路:
    • data = set(data): 转换为set达到去重的效果
    • data = list(data): 将data转为list, 因为需要单词的顺序
• data0的每一个list元素的单词转为0和1, 返回一组向量, 0表示没有该单词, 1表示有该单词
• def NBTrain函数使用贝叶斯进行训练
  • 根据labels先判断出bad言论数, 得出其概率
  • 缩小范围, 锁定到bad言论中, 计算出每一条bad言论的单词总数与所有bad言论的总数的比值
  • 锁定到not bad言论中, 计算出每一条not bad言论的单词总数与所有not bad言论的总数的比值
  • 返回三个向量

• 根据根据贝叶斯公式, 根据输入的测试集向量, 通过贝叶斯公式与NBTrain出来的参数(该参数与贝叶斯公式非常相关)得出p0与p1, 比较大小进行分类借口

使用sklearn的native_bayes模块实现

• 获得数据
• 过滤掉停用词
• 将每一个样本对应的单词以' '.jion合并, 因为之后将单词转为向量的对象需要这样的参数
• 导入sklearn.features_extraction.text.CountVectorizier或者sklearn.features_extraction.text.TfidfVectorizier, 是两种将字符串中的单词转为向量的算法, 后者效果更好, 所以以他为例
  • tfidf = TfidVectorizier() # 有一个ngram_range可选参数, (1, 4)表示得到的feature为1个, 2个依次增加到3个, 3就是最终每一个句子的向量的长度
  • tfidf_fit = tfidf.fit_transform(texts) # texts的形式['I am myself', 'Do not say it', ...]
  • tfidf_fit.get_feature_names()返回单词list
  • tfidf_fit.toarray()返回转换后的向量
• 现在得到了我们需要用于建模的数据表了(前面就是特征提取的操作, 是机器学习中最难的部分, 目的就是为了得到可以用于建模的数据表)
• 将数据分成训练集和测试集
• 导入native_bayes模块中的MultinomialNB类对象
  • clf = MultinomialNB()
  • clf.fit(X_train.values.tolist(), y_train.values.tolist()) # bayes坑的地方, 传入的必须是list, 内部不提供转换
• 评估
  • clf.score(X_test.values.tolist(), y_test.values.tolist())