Python 中的文本分类

介绍

在上一章中，我们已经推导出了计算文档d属于类别c的概率的公式，记为P(c|d)。

我们已将 P(c|d) 的标准公式（如许多论文1 中使用的那样）转换为数值稳定的形式。

我们使用朴素贝叶斯分类器在 Python 中实现。朴素贝叶斯方法的正式介绍可以在我们的前一章中找到。

Python 是文本分类的理想选择，因为它是强大的字符串类和强大的方法。此外，Python 的正则表达式模块 re 为用户提供了超越其他编程语言的工具。

唯一的缺点可能是这个 Python 实现没有针对效率进行调整。

上一章的Python实现

文件表示

基于词袋模型的文档表示如下图所示：

需要进口

我们的实现需要正则表达式模块 re 和 os 模块：

导入 再
导入 操作系统

我们将在我们的实现中使用字典章节练习 1 中的函数 dict_merge_sum ：

def  dict_merge_sum ( d1 ,  d2 ): 
    """ 将带有数值和
    可能不相交的键的
两个字典 d1 和 d2合并，如果    两个值中都存在，
则将这些值相加，否则将缺失值视为    0"""
    
    返回 {  k :  d1 。得到( k ,  0 )  +  d2 。get ( k ,  0 )  for  k  in  set ( d1 )  |  设置（d2 ） }

d1  =  dict ( a = 4 ,  b = 5 ,  d = 8 ) 
d2  =  dict ( a = 1 ,  d = 10 ,  e = 9 )

dict_merge_sum ( d1 ,  d2 )

输出：

{'e'：9，'d'：18，'a'：5，'b'：5}

词袋类

class  BagOfWords ( object ): 
    """ 实现一个词袋，词与它们
    在“文档”中的使用频率
相对应，供    Document 类、Category 类和 Pool 类使用。"""
    
    def  __init__ ( self ): 
        self 。__number_of_words  =  0 
        self 。__bag_of_words  =  {}
        
        
    def  __add__ ( self ,  other ): 
        """ 重载 "+" 运算符以连接两个 BagOfWords """
        
        erg  =  BagOfWords ()  
        erg 。__bag_of_words  =  dict_merge_sum ( self . __bag_of_words ,  
                                            other . __bag_of_words )
        返回 erg
        
    def  add_word ( self , word ): 
        """ 在字典 __bag_of_words""" 
        self 中添加了一个单词。__number_of_words  +=  1
        如果 单词 在 self 中。__bag_of_words ：
            自我。__bag_of_words [ word ]  +=  1 
        else