参加完数模之后休息了几天,今天继续看TF-IDF算法。上篇中对TF-IDF算法已经做了详细的介绍,在此不再赘述。今天主要是通过python,结合sklearn库实现该算法,并通过k-means算法实现简单的文档聚类。
一 结巴分词
1.简述
中文分词是中文文本处理的一个基础性工作,长久以来,在Python编程领域,一直缺少高准确率、高效率的分词组建,结巴分词正是为了满足这一需求而提出。
2.安装
(1)全自动安装
在安装了easy—stall的情况之下可以全自动安装:easy_install jieba
(2)半自动安装
·下载地址:https://pypi.python.org/pypi/jieba/
·在cmd下找到具体的目录python setup.py安装
3.功能
(1)全模式:将句子中所有的可以成词的词语都扫描出来,速度非常快,但是不能解决歧义问题;
jieba.cut方法接收两个参数:第一个参数为需要分词的字符串,第二个cut_all参数用来控制是否采用全模式进行分词。
>>> #coding:utf-8>>> import jieba>>> seg_list = jieba.cut("我爱西邮西邮爱我",cut_all = True)>>> print "Full Mode:","/".join(seg_list)
Full Mode: 我/爱/西/邮/西/邮/爱/我
(2)精确模式:将句子最精确分开,适合文本分析:
>>> seg_list = jieba.cut("喜欢玩游戏,可以把编程当成玩游戏,还挺好玩的,哈哈哈哈")>>> print "Default Mode:", "/ ".join(seg_list)
Default Mode: 喜欢/ 玩游戏/ ,/ 可以/ 把/ 编程/ 当成/ 玩游戏/ ,/ 还/ 挺好玩/ 的/ ,/ 哈哈哈哈
除此之外,默认表示的也是精确模式:
>>> seg_list = jieba.cut("喜欢玩游戏,可以把编程当成玩游戏,还挺好玩的,哈哈哈哈")>>> print ",".join(seg_list)
(3)搜索引擎模式:在精确模式的基础上,对长词再次切分 ,提高召回率。
jieba.cut_for_search方法只接收需要分词的字符串,这种方法分词分的比较细:
>>> seg_list = jieba.cut_for_search("西邮就是西安邮电大学的简称")>>> print ",".join(seg_list)
结果:西邮,就是,西安,邮电,电大,大学,邮电大学,的,简称
当然结巴分词还有很多功能,比如添加字典啊什么的,在此不再详细说明。
二 scikit-learn
scikit-learn含有完善的文档和丰富的机器学习算法,已经实现了所有基本的机器学习算法,并且其本身就带有一些标准的数据集。比如用来分类的iris数据集、digits数据集;用来回归的boston house price 数据集。
更多内容见http://dataunion.org/20071.html。
三 python实现TF-IDF算法
之前用的是python3.4,但由于不可抗的原因,又投入了2.7的怀抱,在这里编写一段代码,简单的实现TF-IDF算法。大致的实现过程是读入一个测试文档,计算出文档中出现的词的tfidf值,并保存在另一个文档中。
# -*- coding: cp936 -*-import jiebaimport jieba.posseg as psegimport osimport sysfrom sklearn import feature_extractionfrom sklearn.feature_extraction.text import TfidfTransformerfrom sklearn.feature_extraction.text import CountVectorizerimport sysreload(sys)sys.setdefaultencoding( "utf-8" )sys.path.append("C:\Users\Administrator\Desktop\9.17")from numpy import *fr = open('exercise.txt')fr_list = fr.read()dataList = fr_list.split('\n')data = []for oneline in dataList: data.append(" ".join(jieba.cut(oneline))) #将得到的词语转换为词频矩阵freWord = CountVectorizer()#统计每个词语的tf-idf权值transformer = TfidfTransformer()#计算出tf-idf(第一个fit_transform),并将其转换为tf-idf矩阵(第二个fit_transformer)tfidf = transformer.fit_transform(freWord.fit_transform(data))#获取词袋模型中的所有词语word = freWord.get_feature_names()#得到权重weight = tfidf.toarray()tfidfDict = {}for i in range(len(weight)): for j in range(len(word)): getWord = word[j] getValue = weight[i][j] if getValue != 0: if tfidfDict.has_key(getWord): tfidfDict[getword] += string.atof(getValue) else: tfidfDict.update({getWord:getValue})sorted_tfidf = sorted(tfidfDict.iteritems(), key = lambda d:d[1],reverse = True)fw = open('result.txt','w')for i in sorted_tfidf: fw.write(i[0] + '\t' + str(i[1]) +'\n')
至此,对算法已经有了一个简单的实现,接下来需要做的是将其应用到文档聚类中加以运用。
四 实现简单的文本聚类
要聚类,聚什么是重点!结合上述分析,我们可以将一篇文章中的关键词和对应的tf-idf值一一对应起来,显然想到的是dict,那么聚类是聚的当然不止一篇文章,那么我们就可以分别将每篇文章的关键词和对应的tf-idf值对应起来,最后整合起来进行聚类,当然还是得用到dict。
结合上述tf-idf的实现,可以将得到的结果分别存在同一个目录下的.txt中,导入目录读取并整合,直接上代码:
# -*- coding: cp936 -*-#-*- coding:utf-8 -*-from PIL import Image,ImageDrawimport os, codecs, randomfrom math import sqrt#将得到的结果按照字典存放rows_norms = {}def readfile(dirname): rows = {} for f in os.listdir(dirname):#目录 fr = codecs.open(dirname + f,'r',encoding = 'utf-8') tw_dict = {} norm = 0 for line in fr: items = line.split('\t') token = items[0].strip() if len(token)<2: continue w = float(items[1].strip()) norm = w**2 tw_dict[token] = w rows[str(f[:-4])] = tw_dict rows_norms[str(f[:-4])] = sqrt(float(norm)) #print len(rows) return rows
至此,相当于得到了数据,接下来就是k-means算法的实现了,之前的文章中都有详细说明,在此不再赘述,所不同的是在此采用了余弦距离计算相似度:
#得到余弦距离,其中v1就是row,v2是聚类中心点def cosine(v1,norm_v1,v2,norm_v2): if norm_v1 == 0 or norm_v2 == 0: return 1.0 dividend = 0 for k,v in v1.items(): for k in v2: dividend += v*v2[k] return 1.0-dividend/(norm_v1*norm_v2)
主程序段如下:
#算法的实现def kcluster(rows,distance=cosine,k=3): ranges=rows_range(rows) #初始化聚类中心 clusters=[] for i in range(k): clusters.append(random_vec(ranges)) clusteres_norm=[] for i in range(k): clusteres_norm.append(norm(clusters[i])) lastmatches=None #开始迭代 for t in range(300): print '第%d次迭代' % t bestmatches=[[] for i in range(k)] for j in rows.keys(): row=rows[j] row_norm=rows_norms[j] bestmatch=0 min_dis=10000000 for i in range(k): d=distance(row, row_norm, clusters[i],clusteres_norm[i]) if d<min_dis: bestmatch=i min_dis=d bestmatches[bestmatch].append(j) if bestmatches==lastmatches: break lastmatches=bestmatches for i in range(k): clusters[i]=center(bestmatches[i], rows) print bestmatches return bestmatches#testif __name__ == '__main__': corpus_dir='D:/python2.7/exercise/clusting/data/' rows=readfile(corpus_dir) print 'create vectorspace' n=3 clust=kcluster(rows,k=n)
简单测试,结果还是挺理想的,但还是可以结合之前对k-means算法的优化,实现更好的聚类。
联系客服