python文本数据处理_用python处理文本数据

用python处理文本数据

Q：这篇文章主要讲什么？

Ａ：这篇文章主要讨论如何用python来做一些简单的文本处理——文本相似度比较。

谈起python的自然语言处理，肯定会让人想起NLTK。不过上面这两个任务并不需要NLTK这个库，只是用到了gensim。由于涉及中文，所以还用到了jieba来做中文分词。

Ｑ：Gensim是什么东西？

Ａ：首先说说gensim是个怎样的python库吧。

由于这篇笔记只记录最简单的用法，所以gensim更详细的介绍，更强大的功能请到官网阅读文档：

http://radimrehurek.com/gensim/">gensim官网

。不懂英文？赶紧去补啊！

gensim

Gensim is a free Python library designed to automatically extract semantictopics from documents, as efficiently (computer-wise) and painlessly (human-wise) as possible.

简单来说，gensim的主要功能有

把文本转为向量

（scikit-learn也能做到），

抽取文本中的关键词

（jieba也能做到），比较两个文本的相似度，甚至是

计算一个查询（本质也是一个文本）与一个文档集合中所有文档的关联程度

（这个似乎只有gensim能做，sklearn和jieba都不能）。更强大的是，gensim库实现了word2vec算法（其实我目前不懂这个算法的原理）！。

gensim有三个主要模块——

corpora：将文本转为向量，提供存储文本矩阵的方法。这里生产的向量形式是最基本的，族简单的，仅仅是为文档建立词典，然后计数文档中每个词出现的次数。

models：将corpora生产的简单向量转化为其他各种不同的向量。可以选择的向量模型有TFIDF, LSI, RP, LDA, HDP等。用户可以先用corpora模块把文本转为简单向量，再用models模块得到自己需要的向量形式。

similarites：提供计算文本相似度方法的模块。

gensim其他更强大的功能还没列出，所以想要深入学习就得去官网查阅文档了。

Q：如何使用gensim来计算文本相似度？

Ａ：计算一个查询（字符串）与文档集中所有文档的相似度是搜索引擎的核心功能模块之一。gensim计算文本相似度的的套路就是先用copora模块把文档转为简单的稀疏矩阵；然后用models模块得到符合需要的向量模型；最后用similarities模块计算相似度。下面用一个案例来说明怎样计算文本相似度。

假设现在有一个八个文档组成的文档集：

texts = [

'什么是股票？',

'股票是个什么玩意？',

'新手怎样入门炒股？',

'现在股市的风险大吗？',

'python的自然语言处理',

'gensim的主要功能有把文本转为向量',

'提供存储文本矩阵的方法',

'这篇文章主要讨论如何用python来做一些简单的文本处理'

]

由于文本转向量算法的原理是统计文本中每个单词出现的个数，所以我们还要把文档集里的每个文档切词，也就是说把一个文档编程一个单词列表（或者数组，或者任何数据容器iterable）。西方语言由于先天就用空格把词分开，而类似中文的东方语言则需要特定的分词模块。一个常用的中文分词模块是jieba分词——可以分词、可以做词性标注、可以抽取关键字的分词模块。详见官方文档（当然是中文的）。

docs = [jieba.lcut_for_search(i) for i in texts] #返回一个包含着很多单词列表的列表。

In [4]: print docs

[[u'\\u4ec0\\u4e48', u'\\u662f', u'\\u80a1\\u7968', u'\\uff1f'], [u'\\u80a1\\u7968', u'\\u662f', u'\\u4e2a', u'\\u4ec0\\u4e48', u'\\u73a9\\u610f', u'\\uff1f'], [u'\\u65b0\\u624b', u'\\u600e\\u6837', u'\\u5165\\u95e8', u'\\u7092\\u80a1', u'\\uff1f'], [u'\\u73b0\\u5728', u'\\u80a1\\u5e02', u'\\u7684', u'\\u98ce\\u9669', u'\\u5927', u'\\u5417', u'\\uff1f'], [u'python', u'\\u7684', u'\\u81ea\\u7136', u'\\u8bed\\u8a00', u'\\u81ea\\u7136\\u8bed\\u8a00', u'\\u5904\\u7406'], [u'gensim', u'\\u7684', u'\\u4e3b\\u8981', u'\\u529f\\u80fd', u'\\u6709', u'\\u628a', u'\\u6587\\u672c', u'\\u8f6c\\u4e3a', u'\\u5411\\u91cf'], [u'\\u63d0\\u4f9b', u'\\u5b58\\u50a8', u'\\u6587\\u672c', u'\\u77e9\\u9635', u'\\u7684', u'\\u65b9\\u6cd5'], [u'\\u8fd9', u'\\u6587\\u7ae0', u'\\u7bc7\\u6587\\u7ae0', u'\\u4e3b\\u8981', u'\\u8ba8\\u8bba', u'\\u5982\\u4f55', u'\\u7528', u'python', u'\\u6765', u'\\u505a', u'\\u4e00\\u4e9b', u'\\u7b80\\u5355', u'\\u7684', u'\\u6587\\u672c', u'\\u672c\\u5904', u'\\u5904\\u7406', u'\\u6587\\u672c\\u5904\\u7406']]

＃原谅我的机器在打印整个列表时，所有中文会变成unicode编码

下一步是构建文档集（单词列表集）的词典，然后利用词典来用向量表示文档

In [10]: dic = corpora.Dictionary(docs)

In [11]: print dic #这个词典给文档集中每个单词编号

Dictionary(45 unique tokens: [u'\\u98ce\\u9669', u'\\u672c\\u5904', u'\\u7684', u'\\u5904\\u7406', u'\\u4ec0\\u4e48']...)

In [12]: corpus = [dic.doc2bow(i) for i in docs]

In [13]: print corpus

[[(0, 1), (1, 1), (2, 1), (3, 1)], [(0, 1), (1, 1), (2, 1), (3, 1), (4, 1), (5, 1)], [(3, 1), (6, 1), (7, 1), (8, 1), (9, 1)], [(3, 1), (10, 1), (11, 1), (12, 1), (13, 1), (14, 1), (15, 1)], [(12, 1), (16, 1), (17, 1), (18, 1), (19, 1), (20, 1)], [(12, 1), (21, 1), (22, 1), (23, 1), (24, 1), (25, 1), (26, 1), (27, 1), (28, 1)], [(12, 1), (25, 1), (29, 1), (30, 1), (31, 1), (32, 1)], [(12, 1), (16, 1), (17, 1), (24, 1), (25, 1), (33, 1), (34, 1), (35, 1), (36, 1), (37, 1), (38, 1), (39, 1), (40, 1), (41, 1), (42, 1), (43, 1), (44, 1)]]

＃这是稀疏矩阵的一种形式，每个列表的每个括号表示（词编号，词的出现次数）

这样一来，文本就转换成矩阵了。不过这个矩阵的向量模型非常简单，我们要用一个高级一点的LSI(潜语义分析)向量模型来做相似度计算。应用models模块的可以做到向量模型的转换。

In [14]: lsi = models.LsiModel(corpus, id2word=dic, num_topics=2)

向量模型转换完成，下面开始进行计算相似度的工作。为了方便和明显，我们计算一下“股票”这个词和“文本”这两个查询与文档集中八个文档的相似度。如果没有意外，按照我们的直觉，我们会看到“股票”这个查询和文档集中前四个文档比较相似，“文本”这个查询和文档集中后四个文档比较相似。

In [21]: qurey1 = "股票" #首先把这两个查询也变成向量

...: qurey2 = '文本'

...: vec_query1 = dic.doc2bow([qurey1])

...: vec_query2 = dic.doc2bow([qurey2])

In [22]: index = similarities.MatrixSimilarity(lsi[corpus])

＃然后建立索引（估计是倒排词表，下面的就不怎么懂了）

In [23]: sims1 = index[lsi[vec_query1]]

...: sims2 = index[lsi[vec_query2]]

＃得到了查询语句与哥哥文档的相似度

In [24]: sims_result1 = sorted(enumerate(sims1), key=lambda item: -item[1])

...: sims_result2 = sorted(enumerate(sims2), key=lambda item: -item[1])

＃给结果排一下序

In [25]: print sims_result1

[(1, 0.99990207), (0, 0.99984658), (2, 0.99941468), (3, 0.93057805), (6, 0.31655648), (5, 0.27374423), (4, 0.12518336), (7, -0.11772308)]

In [27]: print sims_result2

[(4, 0.99776512), (7, 0.98443955), (5, 0.97619325), (6, 0.96549642), (3, 0.4200055), (2, 0.092727646), (0, 0.076089963), (1, 0.07257086)]

很明显的看到“股票”这个查询和文档集中前四个文档比较相似，“文本”这个查询和文档集中后四个文档比较相似，这也是符合我们的常识的。

完整代码：

#coding: utf-8

import sys, jieba

from gensim import corpora, models, similarities

reload(sys)

sys.setdefaultencoding('utf8')

texts = [

'什么是股票？',

'股票是个什么玩意？',

'新手怎样入门炒股？',

'现在股市的风险大吗？',

'python的自然语言处理',

'gensim的主要功能有把文本转为向量',

'提供存储文本矩阵的方法',

'这篇文章主要讨论如何用python来做一些简单的文本处理'

]

docs = [jieba.lcut_for_search(i) for i in texts]

dic = corpora.Dictionary(docs)

corpus = [dic.doc2bow(i) for i in docs]

lsi = models.LsiModel(corpus, id2word=dic, num_topics=2)

qurey1 = "股票"

qurey2 = '文本'

vec_query1 = dic.doc2bow([qurey1])

vec_query2 = dic.doc2bow([qurey2])

index = similarities.MatrixSimilarity(lsi[corpus])

sims1 = index[lsi[vec_query1]]

sims2 = index[lsi[vec_query2]]

sims_result1 = sorted(enumerate(sims1), key=lambda item: -item[1])

sims_result2 = sorted(enumerate(sims2), key=lambda item: -item[1])

print sims_result1

print sims_result2

由于作者对于文本处理和gensim的原理还不太懂，如有不当之处，欢迎高手指点