python机器学习16:文本数据处理

1.文本数据的特征提取、中文分词及词袋模型

本节我们一起学习如何对文本数据进行特征提取，如何对中文分词处理，以及如何使用词袋模型将文本特征转化为数组的形式，以便将文本转化为机器可以“看懂”的数字形式。

1.1使用CountVectorizer对文本进行特征提取

在前面的章节，我们用来展示的数据特征大致可以分为两种：一种是用来表示数值的连续特征；另一种是表示样本所在分类的类型特征。而在自然语言处理的领域中，我们会接触到的第三种数据类型–文本数据。举个例子，假如我们想知道用户对某个商品的评价是“好”还是“差”，就需要使用用户评价的内容文本对模型进行训练。例如，用户评论说“刚买的手机总是死机，太糟糕了！” 或者“新买的衣服很漂亮，老公很喜欢。”这就需要我们提取出两个不同评论中的关键特征，并进行标注用于训练机器学习模型。
文本数据在计算机中往往被存储为字符串类型（String），在不同的场景中，文本数据的长度差异会非常大，这也使得文本数据的处理方式与数值型数据的处理方式完全不同。而中文的处理尤其困难，因为在一个句子当中，中文的词与词之间没有边界，也就是说，中文不像英语那样，在每个词之间有空格作为分界线，这就要求我们在处理中文文本的时候，需要先进行分词处理。
例如这句英语：“The quick brown fox jumps over a lazy dog”，翻成中文是“那只敏捷的棕色狐狸跳过了一直懒惰的狗”。这两句话在处理中非常不同，我们来看下面的代码：

#导入向量化工具
from sklearn.feature_extraction.text import CountVectorizer
vect = CountVectorizer()
#使用vector拟合文本数据
en = ['The quick brown fox jumps over a lazy dog']
vect.fit(en)
#打印结果
print('单词数：{}'.format(len(vect.vocabulary_)))
print('分词：{}'.format(vect.vocabulary_))

运行代码，得到如下图所示的结果：

结果分析：可能读者朋友们对这个结果会感觉到有点奇怪，明明这句话当中有9个单次，为什么程序告诉我们单次数是8个呢？我们来检查一下分词的结果，原来程序没有将冠词“a”统计进来。因为“a”只有一个字母，所以程序没有把她作为一个单次。
下面来看中文的情况，输入代码如下：

#使用中文分词作为实验
cn = ['那只敏捷的棕色狐狸跳过了一只懒惰的狗']
#拟合中文文本数据
vect.fit(cn)
#打印结果
print('单词数：{}'.format(len(vect.vocabulary_)))
print('分词：{}'.format(vect.vocabulary_))

运行代码，得到如下图的结果：

结果分析：可以看到，程序无法对中文语句进行分词，它把整句话当成了一个词，因为中文与英语不同，英语的词与词之间有空格作为天然的分割词，而中文却没有。在这种情况下，我们就需要使用专门的工具来对中文进行分词。目前市面上有几款用于中文分词的工具，使用较多的工具之一是“结巴分词”，下面我们以“结巴分词”为例，介绍一下中文分词的分词方法。

1.2使用分词工具对中文文本进行分词

我们使用“结巴分词”来对上文中的中文语句进行分词，输入代码如下：

import jieba
cn = jieba.cut('那只敏捷的棕色狐狸跳过了一只懒惰的狗')
cn = [' '.join(cn)]
print(cn)

运行代码，得到如下图所示的结果：

借助“结巴分词”，我们把这句中文语句进行了分词操作，并在每个单词之间插入空格作为分界线。下面我们重新使用CountVectorizer对其进行特征抽取，输入代码如下：

#使用CountVectorizer对中文文本进行向量化
vect.fit(cn)
print('单词数：{}'.format(len(vect.vocabulary_)))
print('分词：{}'.format(vect.vocabulary_))

运行代码，得到如下图所示的结果：

结果分析：经过了分词工具的处理，我们看到CountVectorizer已经可以从中文文本中提取出若干个整型数值，并且生成了一个字典。
接下来，我们要将使用这个字典将文本的特征表达出来，以便可以用来训练模型。

1.3使用词袋模型将文本数据转为数组

在上面的实验中，CountVectorizer给每个词编码为一个从0到5的整型数。经过这样的处理后，我们便可以用一个稀疏矩阵（sparse matrix）对这个文本数据进行表示了。
输入代码如下：

#定义词袋模型
bag_of_words = vect.transform(cn)
#打印词袋模型中的数据特征
print('转化为词袋的特征：{}'.format(repr(bag_of_words)))

运行代码，可以得到如下图所示的结果：

结果分析：从结果中可以看到，原来的那句话被转化为一个1行6列的稀疏矩阵，类型为64位整型数值，其中有6个元素。
下面我们看看6个元素都是什么，输入代码如下：

#打印词袋密度的表达
print('词袋的密度表达：{}'.format(bag_of_words.toarray()))

运行代码，会得到如下图所示的结果：

结果分析：可能看到结果会让人有点费解。它的意思是，在这一句话中，我们通过分词工具拆分出来的6个单词在这句话中出现的次数是1次；第二个元素1，代表这句话中，“懒惰”这个词出现的次数也是1.
为了更加容易理解，我们试着换一句话来看看结果有什么不同，例如，“懒惰的狐狸不如敏捷的狐狸敏捷，敏捷的狐狸不如懒惰的狐狸懒惰”。输入代码：

cn1 = jieba.cut('懒惰的狐狸不如敏捷的狐狸敏捷，敏捷的狐狸不如懒惰的狐狸懒惰')
print(type(cn))
cn2 = [' '.join(cn1)]
print(cn2)

上面这段代码主要是使用“结巴分词”将我们编造的这段话进行分词，运行代码，得到如下图所示的结果：

接下来，我们再使用CountVectorizer将这句文本进行转化，输入代码如下：

#导入向量化工具
from sklearn.feature_extraction.text import CountVectorizer
#建立词袋模型
new_bag = vect.transform(cn2)
print('转为词袋的特征：{}'.format(repr(new_bag)))
print('词袋的密度表达:{}'.format(new_bag.toarray()))

运行代码，得到如下图所示的结果：

结果分析：我么发现，同样还是1行6列的，不过存储的元素只有3个，而数组[[0 3 3 0 4 0]]的意思是，“一只”这个词出现的次数是0，而“懒惰”这个词出现了3次，“敏捷”这个词出现了3次，“棕色”这个词出现了0次，“狐狸”这个词出现了4次，“跳过”这个词出现了0次。
上面这种用数组表示一句话中，单词出现次数的方法，被称为“词袋模型”（bag-of-words）。这种方法是忽略了一个文本中的词序和语法，仅仅将它看作一个词的集合。这种方法对于自然语言进行了简化，以便于机器可以读取并且进行模型的训练。但是词袋模型也具有一定的局限性，下面我们继续介绍对于文本类型数据的进一步优化处理。

2.对文本数据进一步优化处理

本节，我们将和大家一起学习如何使用n_Gram算法来改善词袋模型，以及如何使用tf-idf算法对文本数据进行处理，和如何删除文本数据中的停用词。

2.1使用n-Gram改善词袋模型

虽然用词袋模型可以简化自然语言，利于机器学习算法建模，但是它的劣势也是很明显-----由于词袋模型把句子看成单词的简单集合，那么单词出现的顺序就会被无视，这样一来可能会导致包含同样单词，但是顺序不一样的两句话在机器学习看来成了完全一样的意思。
比如：“道士看见和尚亲吻了尼姑的嘴唇”，我们用词袋模型将这句话的特征进行提取：

import jieba
joke = jieba.cut('道士看见和尚亲吻了尼姑的嘴唇')
joke = [' '.join(joke)]
vect.fit(joke)
joke_feature = vect.transform(joke)
print(joke_feature.toarray())

这里我们首先用“结巴分词”对这句话进行了分词，然后使用CountVectorizer将其表达为数组
运行代码，结果如下：
[[1 1 1 1 1 1]]
接下来，我们把这句话的顺序打乱，变成“尼姑看见道士的嘴唇亲吻了和尚”，再看看结果会有什么不同，输入代码如下：

joke2 = jieba.cut('尼姑看见道士的嘴唇亲吻了和尚')
joke2 = [' '.join(joke2)]
#进行特征提取
joke2_feature = vect.transform(joke2)
print('特征表达：{}'.format(joke2_feature.toarray()))

运行代码，得到如下结果：
特征表达：[[1 1 1 1 1 1]]
结果分析：和上一个代码的结果进行对比的话，发现两个结果完全一样！也就是说，这两句意思完全不同的话，对于机器来讲，意思是一模一样！
要解决这个问题，我么可以对CountVectorizer中的ngram_range参数进行调节。这里我们先介绍一下，n_Gram是大词汇连续文本或语音识别中常用的一种语言模型，它是利用上下文相邻词的搭配信息来进行文本数据转换的，其中n代表一个整型数值，例如n等于2的时候，模型称为bi-Gram，意思是会对相邻的两个单词进行搭配；而n等于3时，模型称为tri-Gram，也就是会对相邻的3个单词进行配对。下面我们来演示如何在CountVectorizer中调节n-Gram函数，来进行词袋模型的优化，输入代码如下：

#修改CountVectorizer的ngram参数
vect = CountVectorizer(ngram_range=(2,2))
#重新进行文本数据的特征提取
cv = vect.fit(joke)
joke_feature = cv.transform(joke)
print('特征表达：{}'.format(joke_feature.toarray()))
print('分词：{}'.format(vect.vocabulary_))

这里，我们将CountVectorizer的ngram_range参数调节为（2,2），意思是进行组合的单词数量的下限是2，上限也是2.也就是说，我们限制CountVectorizer将句子中相邻的两个单词进行组合，运行代码，得到如下图所示的结果：

现在我们再来试试另外一句“尼姑看见道士的嘴唇亲吻了和尚”，看看转化的特征是否有了变化，输入代码如下：

#调整文本顺序
joke2 = jieba.cut('尼姑看见道士的嘴唇亲吻了和尚')
#插入空格
joke2 = [' '.join(joke2)]
#提取文本特征
joke2_feature = vect.transform(joke2)
#特征表达
print(joke2_feature.toarray())

运行代码，得到如下图所示的结果：

结果分析：现在我们看到，在调整了CountVectorizer的ngram_range参数之后，机器不再认为这两句是同一个意思了。而除了使用n-Gram模型对文本特征提取进行优化之外，在scikit-lean中，还可以使用另外一种tf-idf模型来进行文本特征提取的类，称为TfidfVector。

2.2使用tf-idf模型对文本数据进行处理

tf-idf全称为“term frequency-inverse document frequency”，一般翻译为“词频-逆向文件频率”。它是一种用来评估某个词对于一个语料库中某一份文件的重要程度，如果某个词在某个文件中出现的次数非常高，但在其他文件中出现的次数很少，那么tf-idf就会认为这个词能够很好地将文件进行区分，重要程度就会较高，反之则认为该单词的重要程度较低。下面我们看一下tf-idf的公式。
首先是计算tf值的公式：
$\frac{n_{i,j}}{{\sum }_k{n}_{k,j}}$
式中：$n_{i,j}$表示某个词在语料库中某个文件内出现的次数；${\sum }_k{n}_{k,j}$表示的是该文件中所有单词出现的次数之和。
而在scikit-lean中，idf的计算公式如下：
$idf=log(\frac{N+1}{N_w+1})+1$
式中：N代表的是语料库中文件的总数；$N_w$代表语料库中包含上述单词的文件数量。
那么最终计算tf-idf值的公式就是：
tf-idf = tf* idf

注意

读者朋友可能会在其他地方看到和此处不太一样的公式，不要觉得奇怪，这是因为tf-idf的计算公式本身就有很多种变体
在scikit-lean当中，有两个类使用了tf-idf方法，其中一个是TfidfTransformer，它用来将CountVectorizer从文本中提取的特征矩阵进行转化；另一个是TfidfVectorizer，它和CountVectorizer的用法是相同的–简单理解的话，它相当于把CountVectorizer和TfidfTransformer所做的工作整合在了一起。
为了进一步介绍TfidfVectorizer的用法，已经它和CountVectorizer的区别，我们下面使用一个相对复杂的数据集，也是一个非常经典的用于进行自然语言处理的案例，就是IMDB电影评论数据集。这个数据集是由斯坦福大学的研究人员创建的，包括100000条IMDB网站用户对于不同电影的评论，每条评论被标注为“正面”（positive）或者“负面”（negtive）两种类型。如果用户在IMDB网站上给某个电影的评分大于或等于6，那么他的评论将被标注为“正面”，否则被标注为“负面”。
值得称赞的是，创建者已经将数据集拆分成了训练集和测试集，分别有25000条数据，并且放在了不同的文件夹中，正面评论放在“pos”文件夹中，而负面评论放在了“neg”文件夹中，还有5000条没有进行分类的数据集，可以供我们进行无监督学习的实验。可以在http://ai.stanford.edu/~amaas/data/setiment/中下载这个数据集来进行实验。
接下来，载入IMDB电影评论数据集，来看看它的结构，输入命令：

!tree C:\\Users\\1003342\\Desktop\\study\\20190528_sklearn\\datasets\\aclImdb

运行，得到如下图所示的树状文件夹列表：

结果分析：
从结果中，可以看出IMDB影评数据集解压后是存放在一个名叫aclImdb文件夹中，训练集和测试集分别保存在名为“train”和“test”子文件夹中，每个子文件夹下还有存放正面评论的“pos”文件夹和“neg”文件夹，而“train”文件夹下还有一个“unsump”的子文件夹，存放的是不含分类标注的用于进行无监督学习的数据。
为了能够减低数据载入的时间，我们从train和test文件夹中各抽取50个正面评论和50个负面评论，保存在新的文件夹中。
输入代码如下：

#导入文件载入工具
#导入文件载入工具
from sklearn.datasets import load_files
#定义训练数据集
train_set = load_files('C:\\Users\\1003342\\Desktop\\study\\20190528_sklearn\\datasets\\aclImdb\\train')
X_train,y_train = train_set.data,train_set.target
#打印训练数据集文件数量
print('训练集文件数量：{}'.format(len(X_train)))
#随便抽取一条影评打印出来
print('随便抽一个看看：{}'.format(X_train[22]))

运行代码，得到如图所示的结果：

结果分析：由于我们各从pos文件夹中的正面评论和neg文件夹的负面评论中抽取了50个样本，因此整个训练集中有100个样本。通过打印第22个样本，我们看到这段影评的内容还是相当丰富的，但大家会发现在评论正文中，有很多
的符号，这是在网页中用来分行的符号。为了不让它影响机器学习的模型，我们把它用空格来替换掉，输入代码如下：

#将文本中的<br/>全部去掉
X_train = [doc.replace(b'<br />',b' ') for doc in X_train]

运行这行代码之后，再打印同一条影评的话，你就会发现
全部被空格替换掉了。
我们再次载入测试集，输入代码如下：

#载入测试集
test = load_files('C:\\Users\\1003342\\Desktop\\study\\20190528_sklearn\\datasets\\aclImdb\\test')
X_test,y_test = test.data,test.target
len(X_test)

运行代码，发现程序返回的测试集样本数100，说明测试集加载成功。同时也把测试集中的
去掉：

#将文本中的<br/>全部去掉
X_test = [doc.replace(b'<br />',b' ') for doc in X_test]

下一步使用CountVectorizer进行特征提取：

#转化为向量
from sklearn.feature_extraction.text import CountVectorizer
#使用CountVectorizer拟合训练数据
vect = CountVectorizer().fit(X_train)
#将文本转化为向量
X_train_vect = vect.transform(X_train)
#特征数量
print('训练集样本特征数量：{}'.format(len(vect.get_feature_names())))
#打印最后10个训练集样本特征
print('最后10个训练集样本特征:{}'.format(vect.get_feature_names()[-10:]))

运行代码，得到如下图所示的结果：

结果分析：结果看到，训练集又4000个特征。
下面使用有监督学习算法进行交叉验证评分，看看模型是否能较好地拟合训练集数据：

#＃导入线性SVC分类模型
from sklearn.svm import LinearSVC
# ＃导入交叉验证工具
from sklearn.model_selection import cross_val_score
#使用交叉验证对模型进行评分
scores = cross_val_score(LinearSVC(),X_train_vect,y_train)
#打印交叉验证平均分
print('模型平均分：{:.3f}'.format(scores.mean()))

我们使用LinearSVC算法来进行建模，运行代码，得到如下图所示的结果：

结果分析：从结果中可以看到模型的平均分是0.778，虽然不是很低，但仍有些差强人意，下一步试试泛化到测试集：

#把测试数据集转化为向量
X_test_vect = vect.transform(X_test)
clf = LinearSVC().fit(X_train_vect,y_train)
print('测试集得分：{}'.format(clf.score(X_test_vect,y_test)))

运行代码，得到结果如下：
测试集得分：0.58
结果分析：0.58分并不是很理想，所以再尝试用tf-idf算法来处理一下数据试试：

#导入tfidf转化工具
from sklearn.feature_extraction.text import TfidfTransformer
#使用tfidf工具转化训练集和测试集
tfidf = TfidfTransformer(smooth_idf = False)
tfidf.fit(X_train_vect)
X_train_tfidf = tfidf.transform(X_train_vect)
X_test_tfidf = tfidf.transform(X_test_vect)
print('未经tfidf处理的特征：{}'.format(X_train_vect[:5,:5].toarray()))
print('经过tfidf处理的特征:{}'.format(X_train_tfidf[:5,:5].toarray()))

运行代码，得到如下图所示的结果：

结果分析：我们打印了前5个样本的前5个特征。从结果可以看到，在未经TfidfTransform处理前，CountVectorizer只是计算某个词在该样本中某个特征出现的次数，而tf-idf计算的是词频乘以逆向文档频率，所以是一个浮点数。
下面试验一下经过处理后的数据集训练模型评分：

#重新训练线性svc模型
clf = LinearSVC().fit(X_train_tfidf,y_train)
#使用新数据集进行交叉验证
scores2 = cross_val_score(LinearSVC(),X_train_tfidf,y_train)
#打印交新的分数进行对比
print('经过tf-idf处理的训练集交叉验证得分：{:.3f}'.format(scores2.mean()))
print('经过tf-idf处理的测试集得分：{:.3f}'.format(clf.score(X_test_tfidf,y_test)))

运行代码，得到如下结果：

结果分析：看起来模型的表现并没有得到提升。接下来继续尝试对模型改进——去掉文本中的“停用词”：

# ＃导人Tfidf模型
from sklearn.feature_extraction.text import TfidfVectorizer
#激活英语停用词参数
tfidf = TfidfVectorizer(smooth_idf = False,stop_words='english')
#拟合训练数据集
tfidf.fit(X_train)
#将拟合好的训练数据集转为向量
X_train_tfidf = tfidf.transform(X_train)
#使用交叉验证进行评分
scores3 = cross_val_score(LinearSVC(),X_train_tfidf,y_train)
clf.fit(X_train_tfidf,y_train)
#将测试数据集转化为向量
X_test_tfidf = tfidf.transform(X_test)
print('去掉停用词后的训练集交叉验证平均分:{:.3f}'.format(scores3.mean()))
print('去掉停用词后的测试集模型得分：{:.3f}'.format(clf.score(X_test_tfidf,y_test)))

运行代码，得到结果如下：

结果分析：从结果中看到，去掉停用词之后，模型的得分有了显著提高。这说明去掉停用词确实可以让机器学习模型更好地拟合文本数据。并且能够有效提高模型的泛化能力。