使用Python进行文本分类（一）准备数据：从文本中构建词向量、训练算法：从词向量计算概率

使用Python进行文本分类（一）
准备数据：从文本中构建词向量

def loadDataSet():#创建实验样本
    postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],
                 ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
                 ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'],
                 ['stop', 'posting', 'stupid', 'worthless', 'garbage'],
                 ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
                 ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
    classVec = [0,1,0,1,0,1]
    return postingList,classVec

def createVocabList(dataSet):#将输入文档的不重复词创建为一个列表
    vocabSet = set ([])
    for document in dataSet:
        vocabSet = vocabSet | set(document)
    return list(vocabSet)

def setOfWords2Vec(vocabList, inputSet):#输入为词汇表及文档，判断词汇表中每个词是否在文档中出现过
    returnVec = [0]*len(vocabList)
    for word in inputSet:
        if word in vocabList:
            returnVec[vocabList.index(word)] = 1
        else: print("the word: %s is not in my Vocabulary!" % word)
    return returnVec

>>> listOPosts,listClasses = bayes.loadDataSet()
>>> myVocabList = bayes.createVocabList(listOPosts)
>>> myVocabList
['is', 'flea', 'help', 'cute', 'food', 'stop', 'ate', 'stupid', 'how', 'not', 'maybe', 'take', 'steak', 'has', 'dalmation', 'worthless', 'quit', 'problems', 'garbage', 'love', 'dog', 'my', 'to', 'him', 'posting', 'buying', 'mr', 'licks', 'I', 'so', 'park', 'please']
>>> bayes.setOfWords2Vec(myVocabList,listOPosts[0])
[0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1]
>>> bayes.setOfWords2Vec(myVocabList,listOPosts[1])
[0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 1, 0]

训练算法：从词向量计算概率
用法：zeros(shape, dtype=float, order=’C’)

返回：返回来一个给定形状和类型的用0填充的数组；

参数：shape:形状
dtype:数据类型，可选参数，默认numpy.float64

def trainNB0(trainMatrix,trainCategory):
    numTrainDocs = len(trainMatrix)
    numWords = len(trainMatrix[0])
    pAbusive = sum(trainCategory)/float(numTrainDocs)
    p0Num = zeros(numWords); p1Num = zeros(numWords)      
    p0Denom = 0.0; p1Denom = 0.0                       
    for i in range(numTrainDocs):
        if trainCategory[i] == 1:
            p1Num += trainMatrix[i]
            p1Denom += sum(trainMatrix[i])
        else:
            p0Num += trainMatrix[i]
            p0Denom += sum(trainMatrix[i])
    p1Vect = p1Num/p1Denom         
    p0Vect = p0Num/p0Denom         
    return p0Vect,p1Vect,pAbusive

根据之后的调用，传入的矩阵应该是[[0,0,0,1,1,…], [0,1,…… ] , [ ]…… ]
一个6行32列的矩阵，因为之前统计的不重复的词汇表应该是有32个，文档总共有6个，传入的由标签构成的向量意味着这每一行是否是侮辱性文档。

pAbusive计算的是侮辱性文档的概率6个里面有3个 0.5比较好理解
在判断好 if trainCategory[i] == 1:条件的情况下，
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i])
p1Num本来时一个具有32个0元素的数组，trainMatrix[i]是i行中是否含有32个不重复词汇的判断，就是[0,1,0,0,0,1……]（这只是个例子）
p1Num += trainMatrix[i]按照循环 最后p1Num还是一个32数组，数组里的每个元素都是这5个文档在这个位置有没有i位置不重复词汇的和，就是每个词汇出现的次数
p1Denom += sum(trainMatrix[i]) p1Denom是数值，应该是这5行中侮辱性文档每一行相加的值，就是这32个词汇在侮辱性文档中出现的次数
p1Vect = p1Num/p1Denom 就是在已知文档是否为侮辱性文档的情况下，32个词汇中 每个词汇出现的次数 /32个词汇出现的总次数
起初，一直提醒我这个问题，我查了一下，说是解释器没法区分这个到底是局部变量，还是全局变量，加一个global，这我就很迷了，因为我的变量全部在trainNB0里面啊，我还加了global试了试，结果是，当然不行了，不是这个问题

UnboundLocalError: local variable 'p1Denom' referenced before assignment

没办法，我就找了之前我下的一个机器学习实战的一个代码集和数据集来，是吧，代码这种东西，看起来一样，可能跑起来就不一样了，然后，我就跑出了一个新的不一样的错误，相当无语

>>> import bayes
>>> from imp import reload
>>> reload(bayes)
<module 'bayes' from 'E:\\Python\\bayes.py'>
>>> listOPosts,listClasses = bayes.loadDataSet()
>>> myVocabList = bayes.createVocabList(listOPosts)
>>> trainMat=[]
>>> for postinDoc in listOPosts:
    trainMat.append(bayes.setOfWords2Vec(myVocabList,postinDoc))


>>> p0V,p1V,pAb=bayes.trainNBO(trainMat,listClasses)
Traceback (most recent call last):
  File "<pyshell#9>", line 1, in <module>
    p0V,p1V,pAb=bayes.trainNBO(trainMat,listClasses)
AttributeError: module 'bayes' has no attribute 'trainNBO'

然后，我就又迷了，说我的函数trainNB0没有训练，然后找朋友看，说出了让我吐血三升的一句话，你这个trainNB0是0啊还是O啊
啊 然后我就检查了一下

p0V,p1V,pAb=bayes.trainNB0(trainMat,listClasses)

我当时确实是搞错了，可能之前那个错误也是，我也没法确定，没有保留之前的代码，真是无语了都，学习的过程总是无限踩坑
千呼万唤始出来

>>> import bayes
>>> from imp import reload
>>> reload(bayes)
<module 'bayes' from 'E:\\Python\\bayes.py'>
>>> listOPosts,listClasses = bayes.loadDataSet()
>>> myVocabList = bayes.createVocabList(listOPosts)
>>> trainMat=[]
>>> for postinDoc in listOPosts:
    trainMat.append(bayes.setOfWords2Vec(myVocabList,postinDoc))


>>> p0V,p1V,pAb=bayes.trainNB0(trainMat,listClasses)
>>> pAb
0.5
>>> p0V
array([0.04166667, 0.        , 0.04166667, 0.04166667, 0.        ,
       0.04166667, 0.04166667, 0.04166667, 0.04166667, 0.04166667,
       0.        , 0.        , 0.04166667, 0.        , 0.04166667,
       0.04166667, 0.        , 0.04166667, 0.        , 0.04166667,
       0.04166667, 0.04166667, 0.04166667, 0.04166667, 0.        ,
       0.        , 0.        , 0.04166667, 0.04166667, 0.08333333,
       0.        , 0.125     ])
>>> p1V
array([0.        , 0.05263158, 0.        , 0.        , 0.15789474,
       0.        , 0.        , 0.        , 0.        , 0.05263158,
       0.05263158, 0.05263158, 0.        , 0.05263158, 0.        ,
       0.        , 0.05263158, 0.        , 0.05263158, 0.        ,
       0.        , 0.10526316, 0.        , 0.        , 0.05263158,
       0.10526316, 0.05263158, 0.        , 0.05263158, 0.05263158,
       0.05263158, 0.        ])