Python文本数据分析与处理

Python文本数据分析与处理(新闻摘要)

分词

• 使用jieba分词, 注意lcut只接受字符串

过滤停用词

TF-IDF得到摘要信息或者使用LDA主题模型

• TF-IDF有两种 jieba.analyse.extract_tags(content, topK=20, withWeight=False) # content为string, topK选出20个关键字, withWeight: 每一个关键词同等重要
• 使用gensim库 from gensim import corpora, models
• dictinary = corpora.Dictionary(word_list) # 为每一个单词分配一个id, 并记录每一个单词的词频到dfs属性中
• corpus = [dictionary.doc2bow(line) for line in word_list] # 得到词库, 形式是(token, id)
• corpus.token2id以[token:id, ...]返回
• # 将数据处理完之后, 才能使用models进行计算
• lda = models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=20) # corpus指定语料库, id2word指定字典, id在corpus中, num_toptics指定训练的主题数
• lda.print_topic(1, 10) # 1为topic的id, 10为topic中关键字的个数
• lda.print_topic(3, 10) # 3为返回的topic个数, 10为每一个topic中关键字的个数
• 返回的形式是0.009*"文化" + 0.005*"恋情" + 0.004*"中" + 0.004*"撒" + 0.004*"节目"的列表, 数字为权重

机器学习贝叶斯(文本处理, 判断一句评论是否是侮辱性的[学会了这个, 那么垃圾邮箱, 广告的过滤也一样了, 文本处理贝叶斯的world])

与其他的泰坦尼克号遇难预测等案例不同, 文本处理需要自己在预处理时构建出数据表. 没有后者每一个提供表

不使用第三方库实现的思路

• 获取文本数据 格式: data0 = [['Hello', 'buddy'], ['You', 'silly']], labels = [1, 1]等
• 二维list, 一个list表示合并在一起可以表示一句话

使用sklearn的native_bayes模块实现

• 获得数据
• 过滤掉停用词
• 将每一个样本对应的单词以' '.jion合并, 因为之后将单词转为向量的对象需要这样的参数
• 导入sklearn.features_extraction.text.CountVectorizier或者sklearn.features_extraction.text.TfidfVectorizier, 是两种将字符串中的单词转为向量的算法, 后者效果更好, 所以以他为例 tfidf = TfidVectorizier() # 有一个ngram_range可选参数, (1, 4)表示得到的feature为1个, 2个依次增加到3个, 3就是最终每一个句子的向量的长度
• tfidf_fit = tfidf.fit_transform(texts) # texts的形式['I am myself', 'Do not say it', ...]
• tfidf_fit.get_feature_names()返回单词list
• tfidf_fit.toarray()返回转换后的向量