用scikit-learn的三种词袋（BoW）生成方法为机器学习任务准备文本数据

用scikit-learn的三种词袋（BoW）生成方法为机器学习任务准备文本数据

本文为翻译博客，详见： 原文

在使用文本数据建立预测模型之前，需要做特别的数据预处理工作。

文本必须先进行分词（tokenization）操作，然后进行特征提取，即向量化（vectorization）操作，将分词后的词编码成整形或浮点数据作为机器学习算法的输入。

scikit-learn库提供了易用的工具来对文本数据做分词和特征提取。

学完这个教程后，你将会知道：

• 如何使用CountVectorizer 将文本转化成词统计向量
• 如何使用TfidfVectorizer 将文本转化成词频向量
• 如何使用HashingVectorizer 将文本转化成唯一数字向量

Bag-of-Words 模型

在进行模型训练之前，我们需要将文本转化成数字。如果我们对文档进行分类，那么每一个文档都是一个输入，并且有一个对应的输出类别。因为算法都是将数字向量作为输入，所以我们需要将文档转换成指定长度的数字向量。

一种简单有效的模型叫：Bag-of-Words（BoW）模型。这个模型之所以简单，是因为它将单词之间的顺序关系全部丢弃，只关注文档中单词出现的次数。该方法为每个单词分配一个唯一编号，这样一个文档就能够被编码成与已知词汇数量相同长度的向量。向量中每一个位置上的值就是其编号对应单词在文档中出现的次数。

BoW模型有许多优化版本，优化方向包括：1）对词义的更好阐述 2）对向量中每个词的编码方式

scikit-learn库中提供了三种可用的解决方案，下面作简要介绍。

用CountVectorizer统计词频

CountVectorier 不仅提供了一个简单的方法为一系列文本文件进行分词操作，从而用这些已有的词建立一个词汇表，同时还能用这个词汇表对新文档编码。

使用步骤如下：

1. 创建CountVectorizer 类的一个实例
2. 调用fit() 函数从一个或多个文件中学习一个词汇表
3. 调用transform() 函数，将一个文件编码成一个向量

返回一个与词汇表同长的向量，向量中每个位置对应词汇表该位置上的词在当前文件中出现的次数。因为向量中包含很多的0，所以很稀疏，Python在scipy.sparse 包中提供了一个有效的方法处理稀疏向量。

上述步骤3中的transform() 函数返回一个稀疏向量，为了直观理解，我们可以用toarray() 将稀疏向量转化成numpy数组。

下面是用CountVectorizer 进行分词、建立词汇表、编码一个文件的实例。

导入CountVectorizer 库和文件：

from sklearn.feature_extraction.text import CountVectorizer
text = ["The quick brown fox jumped over the lazy dog."]

建立词汇表：

# 创建transform
vectorizer = CountVectorizer()
# 分词并建立词汇表
vectorizer.fit(text)
# 结果输出
print vectorizer.vocabulary_

输出词汇表为：

{u'brown': 0, u'lazy': 4, u'jumped': 3, u'over': 5, u'fox': 2, u'dog': 1, u'quick': 6, u'the': 7}

按照词汇表，对文件进行编码：

vector = vectorizer.transform(text)
# 输出编码后的向量信息
print vector.shape
print type(vector)
print vector.toarray()

输出为：

(1, 8)
<class 'scipy.sparse.csr.csr_matrix'>
[[1 1 1 1 1 1 1 2]]

需要重点指出的是，相同的方法可以对包含词汇表之外词汇的文件进行编码，这些词汇表中不存在的词将在返回的向量中被忽略，举个例子：

# 对另一个文件进行编码
text2 = ["the puppy"]
vector = vectorizer.transform(text2)
print vector.toarray()

输出为：

[[0 0 0 0 0 0 0 1]]

只有词汇表中存在的第七个词”the”出现一次被编码了，词汇表中不存在的“puppy”直接被忽略。

用TfidfVectorizer进行词频统计

词数统计是一个好的着手点，但是很基础。简单的词数统计存在一个问题，比如：一些像“the”这样的单词可能出现很多次，虽然在编码的向量中他们对应的数值很大，但并没有什么意义。

一种解决方案是计算词频，TF-IDF 是眼下最流行的词频计算方法，它是“Term Frequency - Inverse Documentation Frequency” 首字母的缩写。

• Term Frequency ：指在一个文件中一个指定单词出现的次数
• Inverse Document Frequency ：它降低在多个文件中均出现的单词的重要性

本文不作数学计算解释，可参考weki 。TF-IDF是词频得分，它更偏重于某个文件中新颖的单词，比如：在一个文件中多次出现，但在其他文件很少出现的单词。

TfidfVectorizer 可以对文件进行分词、学习词汇表、计算词频得分，使你能够编码新文件。如果你已经学习了一个CountVectorizer ，你可以只需用TfidfTransformer 计算inverse document frequency ，然后编码新文件。

TfidfVectorizer的使用步骤和CountVectorizer一样：创建、fit操作、transform操作。

下面是用TfidfVectorizer对3个小文件学习词汇表和inverse document frequencies，然后编码其中一篇文件的例子：

先分词并建立词汇表，计算idf得分。

from sklearn.feature_extraction.text import TfidfVectorizer
# 文件列表
text = ["The quick brown fox jumped over the lazy dog.",
        "The dog.",
        "The fox"]
# 建立transform
vectorizer = TfidfVectorizer()
# 分词，建立词汇表
vectorizer.fit(text)
# 输出结果
print vectorizer.vocabulary_
print vectorizer.idf_

输出结果：

{u'brown': 0, u'lazy': 4, u'jumped': 3, u'over': 5, u'fox': 2, u'dog': 1, u'quick': 6, u'the': 7}
[ 1.69314718  1.28768207  1.28768207  1.69314718  1.69314718  1.69314718
  1.69314718  1.        ]

编码其中一个文件：

# 编码文件
vector = vectorizer.transform([text[0]])
# 输出编码结果
print vector.shape
print vector.toarray()

输出结果：

(1, 8)
[[ 0.36388646  0.27674503  0.27674503  0.36388646  0.36388646  0.36388646
   0.36388646  0.42983441]]

这些得分向量被规范化到0-1之间，可以直接作为机器学习任务的输入。

用HashingVectorizer进行Hashing操作

词数和词频一般很有用，但这些方法有个限制——词汇表可能很大。

如果词汇表很大，那么就需要大的向量来编码文件，对存储造成压力，进而拖慢算法。

一个聪明的解决方案是对单词进行单向哈希操作，将它们转换成整数。聪明的地方在于不需要词汇表，你可以选择一个指定任意长度的向量。该方法的缺点是哈希是一个单向函数，所以不能将编码好的词变回原来的词（在大多数监督学习任务中没啥影响）。

HashingVectorizer 类步骤是先对词进行hash操作，然后对指定文件进行分词和编码。

下面的例子是使用HashVectorizer对单个文件进行操作。选择一个任意定长为20的向量，这对应了哈希函数的范围，选择的哈希长度太小（比如20）可能导致哈希冲突，这需要我们根据估计的词汇长度计算冲突的可能性，并选择合适的哈希长度。

注意这种向量化方法不需要在训练文件数据上调用fit函数，在实例化之后，它可以直接被用来编码文件。

from sklearn.feature_extraction.text import HashingVectorizer
# 文件列表
text = ["The quick brown fox jumped over the lazy dog."]
# 创建transform
vectorizer = HashingVectorizer(n_features=20)
# 编码文件
vector = vectorizer.transform(text)
# 输出编码后的结果
print vector.shape
print vector.toarray()

运行例子，将样本文件编码成一个有20个元素的稀疏数组。

文件编码向量中的值对应于将词数规范化到-1到1之间所得结果，也可以通过改变默认值修改范围。

上例所得结果如下：

(1, 20)
[[ 0.          0.          0.          0.          0.          0.33333333
   0.         -0.33333333  0.33333333  0.          0.          0.33333333
   0.          0.          0.         -0.33333333  0.          0.
  -0.66666667  0.        ]]

总结

这个教程讲述了如何用scikit-learn为机器学习任务准备文本数据（文件预处理），只讲了简单的实现方式，有待深挖。