python文本挖掘教程_学习文本挖掘，如何入门？

泻药，可以结合r语言跟着案例做

原文链接：http://tecdat.cn/?p=9424​tecdat.cn

目录

NASA有32,000多个数据集，并且NASA有兴趣了解这些数据集之间的联系，以及与NASA以外其他政府组织中其他重要数据集的联系。有关NASA数据集的元数据有JSON格式在线获得。让我们使用主题建模对描述字段进行分类，然后将其连接到关键字。

什么是主题建模？

主题建模是一种无监督的文档分类方法。此方法将每个文档建模为主题的混合，将每个主题建模为单词的混合。我将在这里用于主题建模的方法称为 潜在Dirichlet分配（LDA）， 但还有其他适合主题模型的可能性。在本文中，每个数据集描述都是一个文档。我们将看看是否可以将这些描述文本作为主题进行建模。

获取和整理NASA元数据

让我们下载32,000多个NASA数据集的元数据 。

library(jsonlite) library(dplyr) library(tidyr) names(metadata$dataset)

## [1] "_id" "@type" "accessLevel" "accrualPeriodicity" ## [5] "bureauCode" "contactPoint" "description" "distribution" ## [9] "identifier" "issued" "keyword" "landingPage" ## [13] "language" "modified" "programCode" "publisher" ## [17] "spatial" "temporal" "theme" "title" ## [21] "license" "isPartOf" "references" "rights" ## [25] "describedBy"

nasadesc <- data_frame(id = metadata$dataset$`_id`$`$oid`, desc = metadata$dataset$description) nasakeyword <- data_frame(id = metadata$dataset$`_id`$`$oid`, keyword = metadata$dataset$keyword) %>% unnest(keyword) nasakeyword <- nasakeyword %>% mutate(keyword = toupper(keyword))

检查一下，最常用的关键字是什么

nasakeyword %>% group_by(keyword) %>% count(sort = TRUE)

## # A tibble: 1,616 x 2 ## keyword n ## ## 1 EARTH SCIENCE 14386 ## 2 OCEANS 10033 ## 3 PROJECT 7463 ## 4 OCEAN OPTICS 7324 ## 5 ATMOSPHERE 7323 ## 6 OCEAN COLOR 7270 ## 7 COMPLETED 6452 ## 8 ATMOSPHERIC WATER VAPOR 3142 ## 9 LAND SURFACE 2720 ## 10 BIOSPHERE 2449 ## # ... with 1,606 more rows

制作DocumentTermMatrix

要进行主题建模，我们需要从tm包中创建一种 特殊的矩阵（当然，“文档矩阵”只是一个通用概念）。行对应于文档（在本例中为描述文字），列对应于术语（即单词）；它是一个稀疏矩阵。

让我们使用停用词来清理一下文本，以除去HTML或其他字符编码中残留的一些废话“词”。

## # A tibble: 1,909,215 x 3 ## id word n ## ## 1 55942a8ec63a7fe59b4986ef suit 82 ## 2 55942a8ec63a7fe59b4986ef space 69 ## 3 56cf5b00a759fdadc44e564a data 41 ## 4 56cf5b00a759fdadc44e564a leak 40 ## 5 56cf5b00a759fdadc44e564a tree 39 ## 6 55942a8ec63a7fe59b4986ef pressure 34 ## 7 55942a8ec63a7fe59b4986ef system 34 ## 8 55942a89c63a7fe59b4982d9 em 32 ## 9 55942a8ec63a7fe59b4986ef al 32 ## 10 55942a8ec63a7fe59b4986ef human 31 ## # ... with 1,909,205 more rows

现在让我们来制作 DocumentTermMatrix。

## <> ## Non-/sparse entries: 1909215/1147350518 ## Sparsity : 100% ## Maximal term length: 166 ## Weighting : term frequency (tf)

LDA主题建模

现在，让我们使用 topicmodels 包创建一个LDA模型。我们将告诉算法进行多少个主题？这个问题很像k-means聚类中的问题；我们不提前知道。我们可以尝试一些不同的值，查看模型如何拟合文本。让我们从8个主题开始。

## A LDA_VEM topic model with 8 topics.

这是一种随机算法，根据算法的起始位置，其结果可能会有所不同。

探索建模

让我们整理模型，看看我们能找到什么。

## # A tibble: 287,288 x 3 ## topic term beta ## ## 1 1 suit 2.591273e-40 ## 2 2 suit 9.085227e-61 ## 3 3 suit 1.620165e-61 ## 4 4 suit 2.081683e-64 ## 5 5 suit 9.507092e-05 ## 6 6 suit 5.747629e-04 ## 7 7 suit 1.808279e-63 ## 8 8 suit 4.545037e-40 ## 9 1 space 2.332248e-05 ## 10 2 space 2.641815e-40 ## # ... with 287,278 more rows

β列告诉我们从该主题的文档中生成该术语的可能性。

每个主题的前5个词是什么？

top_terms

## # A tibble: 80 x 3 ## topic term beta ## ## 1 1 data 0.047596842 ## 2 1 set 0.014857522 ## 3 1 soil 0.013231077 ## 4 1 land 0.007874196 ## 5 1 files 0.007835032 ## 6 1 moisture 0.007799017 ## 7 1 surface 0.006913904 ## 8 1 file 0.006495391 ## 9 1 collected 0.006350559 ## 10 1 measurements 0.005521037 ## # ... with 70 more rows

让我们看一下。

ggplot(top_terms, aes(beta, term, fill = as.factor(topic))) + geom_barh(stat = "identity", show.legend = FALSE, alpha = 0.8) + labs(title = "Top 10 Terms in Each LDA Topic", subtitle = "Topic modeling of NASA metadata description field texts", caption = "NASA metadata from https://data.nasa.gov/data.json", y = NULL, x = "beta") + facet_wrap(~topic, ncol = 2, scales = "free") + theme_tufte(base_family = "Arial", base_size = 13, ticks = FALSE) + scale_x_continuous(expand=c(0,0)) + theme(strip.text=element_text(hjust=0)) + theme(plot.caption=element_text(size=9))

​

我们可以看到在这些描述文本中占主导地位的词“数据”是什么。从关于土地和土地的术语到关于设计，系统和技术的术语，这些术语集合之间确实存在着有意义的差异。绝对需要进一步探索，以找到合适数量的主题并在这里做得更好。另外，标题和描述词是否可以结合用于主题建模？

每个文档都属于哪个主题？

让我们找出哪些主题与哪些描述字段（即文档）相关联。

lda_gamma

## # A tibble: 256,024 x 3 ## document topic gamma ## ## 1 55942a8ec63a7fe59b4986ef 1 7.315366e-02 ## 2 56cf5b00a759fdadc44e564a 1 9.933126e-02 ## 3 55942a89c63a7fe59b4982d9 1 1.707524e-02 ## 4 56cf5b00a759fdadc44e55cd 1 4.273013e-05 ## 5 55942a89c63a7fe59b4982c6 1 1.257880e-04 ## 6 55942a86c63a7fe59b498077 1 1.078338e-04 ## 7 56cf5b00a759fdadc44e56f8 1 4.208647e-02 ## 8 55942a8bc63a7fe59b4984b5 1 8.198155e-05 ## 9 55942a6ec63a7fe59b496bf7 1 1.042996e-01 ## 10 55942a8ec63a7fe59b4986f6 1 5.475847e-05 ## # ... with 256,014 more rows

此处的γ列是每个文档属于每个主题的概率。请注意，有些非常低，有些更高。概率如何分布？

ggplot(lda_gamma, aes(gamma, fill = as.factor(topic))) + geom_histogram(alpha = 0.8, show.legend = FALSE) + facet_wrap(~topic, ncol = 4) + scale_y_log10() + labs(title = "Distribution of Probability for Each Topic", subtitle = "Topic modeling of NASA metadata description field texts", caption = "NASA metadata from https://data.nasa.gov/data.json", y = NULL, x = "gamma") + theme_minimal(base_family = "Arial", base_size = 13) + theme(strip.text=element_text(hjust=0)) + theme(plot.caption=element_text(size=9))

​

y轴在此处以对数刻度绘制，因此我们可以看到一些东西。大多数文档都被归类为以下主题之一：许多文档被归类为主题2，而文档被归类为主题1和5则较不明确。一些主题的文档较少。对于任何单个文档，我们都可以找到它具有最高归属概率的主题。

将主题建模连接到关键字

让我们将这些主题模型与关键字联系起来，看看会发生什么。让我们 将此数据框添加到关键字，然后查看哪些关键字与哪个主题相关联。

lda_gamma

## # A tibble: 1,012,727 x 4 ## document topic gamma keyword ## ## 1 55942a8ec63a7fe59b4986ef 1 7.315366e-02 JOHNSON SPACE CENTER ## 2 55942a8ec63a7fe59b4986ef 1 7.315366e-02 PROJECT ## 3 55942a8ec63a7fe59b4986ef 1 7.315366e-02 COMPLETED ## 4 56cf5b00a759fdadc44e564a 1 9.933126e-02 DASHLINK ## 5 56cf5b00a759fdadc44e564a 1 9.933126e-02 AMES ## 6 56cf5b00a759fdadc44e564a 1 9.933126e-02 NASA ## 7 55942a89c63a7fe59b4982d9 1 1.707524e-02 GODDARD SPACE FLIGHT CENTER ## 8 55942a89c63a7fe59b4982d9 1 1.707524e-02 PROJECT ## 9 55942a89c63a7fe59b4982d9 1 1.707524e-02 COMPLETED ## 10 56cf5b00a759fdadc44e55cd 1 4.273013e-05 DASHLINK ## # ... with 1,012,717 more rows

让我们保留属于某个主题的文档（概率> 0.9），然后为每个主题找到最重要的关键字。

top_keywords

## Source: local data frame [1,240 x 3] ## Groups: topic [8] ## ## topic keyword n ## ## 1 2 OCEAN COLOR 4480 ## 2 2 OCEAN OPTICS 4480 ## 3 2 OCEANS 4480 ## 4 1 EARTH SCIENCE 3469 ## 5 5 PROJECT 3464 ## 6 5 COMPLETED 3057 ## 7 8 EARTH SCIENCE 2229 ## 8 3 OCEAN COLOR 1968 ## 9 3 OCEAN OPTICS 1968 ## 10 3 OCEANS 1968 ## # ... with 1,230 more rows

我们也对它们进行可视化。

ggplot(top_keywords, aes(n, keyword, fill = as.factor(topic))) + geom_barh(stat = "identity", show.legend = FALSE, alpha = 0.8) + labs(title = "Top 10 Keywords for Each LDA Topic", subtitle = "Topic modeling of NASA metadata description field texts", caption = "NASA metadata from https://data.nasa.gov/data.json", y = NULL, x = "Number of documents") + facet_wrap(~topic, ncol = 2, scales = "free") + theme_tufte(base_family = "Arial", base_size = 13, ticks = FALSE) + scale_x_continuous(expand=c(0,0)) + theme(strip.text=element_text(hjust=0)) + theme(plot.caption=element_text(size=9))

​