31.python机器学习-文本分析

• 文本数据
  
• 停用词
  • 语料中大量出现
  • 没啥大用
  • 留着过年嘛？
    

31.1 Tf-idf：关键词提取

• 《中国的蜜蜂养殖》: 进行词频（Term Frequency，缩写为TF）统计
• 出现次数最多的词是----“的” 、 “是” 、 “在”----这一类最常用的词（停用词）
• “中国” 、 “蜜蜂” 、 “养殖”这三个词的出现次数一样多，重要性是一样的？
• "中国"是很常见的词，相对而言，"蜜蜂"和"养殖"不那么常见
• “逆文档频率”（Inverse Document Frequency，缩写为IDF）
  • 如果某个词比较少见，但是它在这篇文章中多次出现，那么它很可能就反映了这篇文章的特性正是我们所需要的关键词
    
    
• 《中国的蜜蜂养殖》：假定该文长度为1000个词，“中国” 、 “蜜蜂” 、 “养殖”各出现20次，则这三个词的"词频"（TF）都为0.02
• 搜索Google发现，包含"的"字的网页共有250亿张，假定这就是中文网页总数。
  • 包含"中国"的网页共有62.3亿张，包含"蜜蜂"的网页为0.484亿张，包含"养殖"的网页为0.973亿张
    

31.2 相似度

• 相似度
  • 句子A：我喜欢看电视，不喜欢看电影。
  • 句子B：我不喜欢看电视，也不喜欢看电影。
• 分词：
  • 句子A：我/喜欢/看/电视，不/喜欢/看/电影。
  • 句子B：我/不/喜欢/看/电视，也/不/喜欢/看/电影。
• 语料库：
  • 我，喜欢，看，电视，电影，不，也。
• 词频：
  • 句子A：我 1，喜欢 2，看 2，电视 1，电影 1，不 1，也 0。
  • 句子B：我 1，喜欢 2，看 2，电视 1，电影 1，不 2，也 1。
• 词频向量：
  • 句子A：[1, 2, 2, 1, 1, 1, 0]
  • 句子B：[1, 2, 2, 1, 1, 2, 1]
    

31.3 文本分析挖掘实验

In：

pip install nltk

out：

Requirement already satisfied: nltk in d:\programdata\anaconda3\lib\site-packages (3.4.5)
Requirement already satisfied: six in d:\programdata\anaconda3\lib\site-packages (from nltk) (1.12.0)
Note: you may need to restart the kernel to use updated packages.

In：

import nltk
nltk.download()

out：

showing info https://raw.githubusercontent.com/nltk/nltk_data/gh-pages/index.xml
showing info https://raw.githubusercontent.com/nltk/nltk_data/gh-pages/index.xml
showing info http://nltk.org/nltk_data/

True

31.3.1 数据加载

In：

sogou = pd.read_table("../data/sogou.txt",header=None,
              names=['category','title','url','content'])
stopwords = pd.read_table("../data/stopwords.txt",header=None,
                        names=['stopword'],quoting=3) #3表示QUOTE_NONE 

31.3.2 分词

In：

# pip install jieba
import jieba
contents = []
for cont in sogou['content']:
    contents.append(jieba.lcut(cont))  #list[list]

31.3.3 去除停用词

In：

contents_new = []
for cont in contents:
    contents_new.append([word for word in cont 
                         if word not in stopwords['stopword'].tolist()])

In：

#列表转字符串
contents_list = [" ".join(wlist) for wlist in contents_new]

31.3.4 向量化

In：

from sklearn.feature_extraction.text import TfidfVectorizer #CountVectorizer 词频
tfidf = TfidfVectorizer()

In：

content_vec = tfidf.fit_transform(contents_list)

In：

#拆分训练集和测试集
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test = train_test_split(content_vec,sogou['category'])

31.3.5 建模

In：

from sklearn.linear_model import LogisticRegression
logic = LogisticRegression()
logic.fit(x_train,y_train)
logic.score(x_test,y_test) #0.8208

out：

0.8208