手把手教你使用 Python 做 LDA 主题提取和可视化

前言

信息时代的高速发展让我们得以使用手机、电脑等设备轻松从网络上获取信息。但是，这似乎也是一把双刃剑，我们在获取到众多信息的同时，又可能没有太多时间去一一阅读它们，以至于“收藏从未停止，学习从未开始”的现象屡见不鲜。

这篇文章估计以后也会在收藏夹里面吃灰吧！

为了能够高效地处理巨大的文档信息，我在学习的过程中，接触到了 LDA 主题提取这个方法。经过学习，发现它特别有意思，它的主要功能是

能将众多文档进行主题分类，同时展示出主题词

当我发现这个功能之后，我便开始奇思妙想了，譬如我可以根据它的这个功能实现几个好玩的东西

1. 分析写作平台上面的大 v 的文章，对其发表的作品进行主题抽取和可视化，从而找到平台上比较热门的主题或者说比较容易火的主题，从而对自己的写作产生一定的指导意义。
2. 人工选出包含垃圾广告类的大量文章，然后训练 LDA 模型，抽取出它的主题，之后使用训练好的 LDA 模型去对自己收藏的大量文章进行主题概率分布预测，从而把包含大量垃圾和广告类的文章去掉，当然也可以抽取出自己最感兴趣的主题。

以上两点是个人根据需求出发，产生的想法，当然这两个想法经过我的初步验证，确实是有一定的实现可能性。

在这篇文章中，我将一步步教你怎么基于 Python，使用 LDA 对文档主题进行抽取和可视化，为了让你有兴趣地读下去，我先附上可视化的效果吧

上图是我对知乎的一个百万粉大 V 的 218 个回答做 LDA 主题抽取并可视化的结果，可以看到她回答的主题非常地集中。

如果看了可视化效果之后，你感兴趣，那么就可以开始往下阅读了，当然你很赶时间的话，可以不用去阅读我是怎么一步步实现这个过程的，文末会给你附上完整的，可运行的代码。 ​

开始之前

1. Python版本要求

Python 3.7 及以上

2. 需要安装的库

tqdm
requests
retry
jieba
multitasking
pandas
pyLDAvis
bs4
sklearn
numpy
openpyxl
xlrd

库的安装方法是：打开 cmd（命令提示符或者其他终端工具），输入以下代码

pip install tqdm requests multitasking retry bs4 pandas pyLDAvis sklearn numpy jieba xlrd openpyxl

输入完毕，按 Enter 键执行代码，等待 successfully 出现即可

预备知识

文本转向量

计算机是无法直接理解我们平常使用的文本的，它只能与数字打交道。为了能顺利让它可以理解我们提供的文本，我们需要对自己的文本进行一系列的转换，例如给文本里面的词进行标号，从而形成数字和词的映射。

LDA 主题抽取是基于统计学来实现的，为此我们可以考虑，给文档的词进行标号，同时统计其所对应的词频，依次构造一个二维的词频矩阵。这么说来其实是不够形象的。不过没关系，我将以下面的一个例子带你理解这一过程具体是什么。

假设有这么几段文本

今天 天气 很好 啊
天气 确实 很好

我们可以发现，这两段文本中有一下几个词（不考虑单个字）

今天
天气
确实
很好

如果我们分别统计每个词在每一个文档中的词频，那么我们可以将这些数据制成这样子的表格

这个怎么解释呢？请看上面的表格的第 2 行，如果用 Python 里面列表来表示，那么它是这样子的

[1,1,1,0]

它对应的是

今天 天气 很好 啊

这么一句话。当然这样子会不可避免地丢失一些跟序列相关的信息，但在单篇文档内容足够丰富的情况下，丢失这些信息还是 OK 的。

那么我们该怎么构造这么一个表格来数字化地描述每一篇文档呢？

这这里不得不引入 sklearn 给我们提供的好工具，下面上代码给你们展示一下

from sklearn.feature_extraction.text import CountVectorizer
import pandas as pd
# 多个文档构成的列表
documnets = ['今天 天气 很好 啊','今天 天气 确实 很好']
count_vectorizer = CountVectorizer()
# 构造词频矩阵
cv = count_vectorizer.fit_transform(documnets)
# 获取特征词
feature_names = count_vectorizer.get_feature_names()
# 词频矩阵
matrix = cv.toarray()
df = pd.DataFrame(matrix,columns=feature_names)
print(df)

代码运行输出

今天  天气  很好  确实
0   1   1   1   0
1   1   1   1   1

注意，这每一行有 5 个数字，但后面的 4 个才是词频，第一个数字是文档的标号（从 0 开始）

如果你在 jupyter 里面运行，那么它会是这样子的

上面仅仅依靠词频来构造矩阵，这样子显然是不合理的，因为一些常用词的频率肯定很高，但它却无法反映出一个词的重要性。

为此我们引入了 TF-IDF 来构造更能描述词语重要性的词频矩阵，TF-IDF 的具体原理本文就不介绍了。

TF-IDF 构造词频矩阵的 Python 实现代码如下

from sklearn.feature_extraction.text import TfidfVectorizer
import pandas as pd
# 多个文档构成的列表
documnets = ['今天 天气 很好 啊','今天 天气 确实 很好']
tf_idf_vectorizer = TfidfVectorizer()
# 构造词频矩阵
tf_idf = tf_idf_vectorizer.fit_transform(documnets)
# 获取特征词
feature_names = tf_idf_vectorizer.get_feature_names()
# 词频矩阵
matrix = tf_idf.toarray()
df = pd.DataFrame(matrix,columns=feature_names)

代码运行输出

今天        天气        很好        确实
0  0.577350  0.577350  0.577350  0.000000
1  0.448321  0.448321  0.448321  0.630099

如果你在 jupyter 里面运行，得到的结果应该是这样子的

文本分词

如果你自己观察我之前贴出的两短文本，你会发现那些文本中的词是之间总有一个空格。 ​

但是对于中文文档而言，你指望它的词之间是用空格来分隔的就几乎不可能。 ​

那么我为什么提供那样子的文本呢？ 因为 sklearn 的词频矩阵构造器默认将文档识别为英文模式。如果你学过英语，不难发现单词之间通常是用空格来分开的。

可是我们的原始中文文档是无法做到这样子的。为此我们需要对中文文档事先进行分词，然后用空格把这些词拼接起来，最终形成英文那样子的句子。

说到分词，我们可以考虑比较有名的中文分词工具，比如我们要对下面这么一句话进行分词

今天的天气很不错

分词的 Python 示例代码如下

import jieba
# 待分词的句子
sentence = '今天的天气很不错'
# 对句子分词，返回词组成的字符串列表
words = jieba.lcut(sentence)
# 输出词列表
print(words)
# 用空格拼接词并输出
print(" ".join(words))

代码运行输出如下

['今天', '的', '天气', '很', '不错']
今天 的 天气 很 不错

可以看到，我们很好地实现了中文句子转英文格式句子的功能！

当然，文档里面通常是有较多标点符号的，这些对我们来说意义不是很大，所以我们在进行分词之前，可以先把这些符号统一替换为空格。这一过程我就先不演示了。 ​

后面的代码中会有这一过程的实现（主要原理是利用正则表达式的替换功能） ​

基于 TF- IDF 的 LDA 主题提取

在做主题抽取之前，我们显然是需要先准备一定量的文档的。上一篇文章中，我写了一个程序来获取知乎答主的回答文本数据，如果你用 excel 打开，会发现它长这样子（csv 文件）

为了让你能更好地获取它，我再次附上它的下载链接，你只需要用电脑浏览器打开它即可开始下载（如果没有自动下载，则可以按电脑快捷键 ctrl s 来进行下载，记得，最好把下载的文件放在代码同级目录！） ​

纯文本链接

https://raw.staticdn.net/Micro-sheep/Share/main/zhihu/answers.csv

可点击链接

https://raw.staticdn.net/Micro-sheep/Share/main/zhihu/answers.csv​raw.staticdn.net/Micro-sheep/Share/main/zhihu/answers.csv

​

因为它是一个 csv 文件，而我们使用的编程语言是 Python，因此我们可以考虑使用 pandas 这个库来操作它 读取它的 Python实例代码如下

import pandas as pd
import os
# 下面的 url 是 csv 文件的远程链接，如果你缺失这个文件，则需要用浏览器打开这个链接
# 下载它，然后放到代码运行命令，且文件名应与下面的 csv_path 一致
url = 'https://raw.githubusercontents