<em>Mac</em>Book项目 2009年学校开始实施<em>Mac</em>Book项目,所有师生配备一本<em>Mac</em>Book,并同步更新了校园无线网络。学校每周进行电脑技术更新,每月发送技术支持资料,极大改变了教学及学习方式。因此2011
2021-06-01 09:32:01
檢視百度搜尋中文文字聚類我失望的發現,網上竟然沒有一個完整的關於Python實現的中文文字聚類(乃至搜尋關鍵詞python 中文文字聚類也是如此),網上大部分是關於文字聚類的Kmeans聚類的原理,Java實現,R語言實現,甚至都有一個C++的實現。
正好我寫的一些文章,我沒能很好的分類,我想能不能通過聚類的方法將一些相似的文章進行聚類,然後我再看每個聚類大概的主題是什麼,給每個聚類一個標籤,這樣也是完成了分類。
中文文字聚類主要有一下幾個步驟,下面將分別詳細介紹:
這裡中文切詞使用的是結巴切詞。github專案主頁上有結巴切詞的詳細安裝方式,以及範例說明,這裡不再詳述,一般情況下,可以使用如下方式安裝。
# pip install jieba
或者
# easy_install jieba
結巴分詞雖然有去除停用詞的功能,但是好像只是給jieba.analyse組建使用的,並不給jieba.cut使用,所以這裡我們還是要自己構建停用詞檔案,以及去除停用詞。常見的中文停用詞有:
1. 中文停用詞表(比較全面,有1208個停用詞)
2. 最全中文停用詞表整理(1893個)
實現程式碼如下(程式碼比較水):
def read_from_file(file_name): with open(file_name,"r") as fp: words = fp.read() return words def stop_words(stop_word_file): words = read_from_file(stop_word_file) result = jieba.cut(words) new_words = [] for r in result: new_words.append(r) return set(new_words) def del_stop_words(words,stop_words_set): # words是已經切詞但是沒有去除停用詞的檔案。 # 返回的會是去除停用詞後的檔案 result = jieba.cut(words) new_words = [] for r in result: if r not in stop_words_set: new_words.append(r) return new_words
接下來是構建詞袋空間,我們的步驟如下
將所有檔案讀入到程式中,再將每個檔案切詞。
去除每個檔案中的停用詞。
統計所有檔案的詞集合(sk-learn有相關函數,但是我知道能對中文也使用)。
對每個檔案,都將構建一個向量,向量的值是詞語在本檔案中出現的次數。
舉個例子,假設有兩個文字,
1.我愛上海,我愛中國
2.中國偉大,上海漂亮
那麼切詞之後就有一下詞語:我,愛,上海,中國,偉大,漂亮,,(逗號也可能被切詞)。
再假設停用詞是我 ,,那麼去除停用詞後,剩餘的詞語就是
愛,上海,中國,偉大,漂亮
然後我們對檔案1和檔案2構建向量,那麼向量將如下:
文字 愛 上海 中國 偉大 漂亮
檔案1 2 1 1 0 0
檔案2 0 1 1 1 1
程式碼如下:
def get_all_vector(file_path,stop_words_set): names = [ os.path.join(file_path,f) for f in os.listdir(file_path) ] posts = [ open(name).read() for name in names ] docs = [] word_set = set() for post in posts: doc = del_stop_words(post,stop_words_set) docs.append(doc) word_set |= set(doc) #print len(doc),len(word_set) word_set = list(word_set) docs_vsm = [] #for word in word_set[:30]: #print word.encode("utf-8"), for doc in docs: temp_vector = [] for word in word_set: temp_vector.append(doc.count(word) * 1.0) #print temp_vector[-30:-1] docs_vsm.append(temp_vector) docs_matrix = np.array(docs_vsm)
在python中表示可能如下[[2,1,1,0,0],[0,1,1,1,]],我們儘可能將其放入到numpy的array或者matrix中方便下面TF-IDF的計算。
換句話說,我們的vsm儲存的本來已經是向量的形式,我們為什麼還需要TF-IDF的形式呢?我認為這就是為了將單詞出現的次數轉化為權值。
關於TF-IDF的介紹可以參考網上的文章:
1. 基本文字聚類方法
2. TF-IDF百度百科
3. TF-IDF維基百科英文版(需要FQ)
這裡需要注意的是關於TF(term frequency)的計算,關於IDF(Inverse document frequency)的計算,我看公式基本上都是一樣的:
逆向檔案頻率(inverse document frequency,IDF)是一個詞語普遍重要性的度量。某一特定詞語的IDF,可以由總檔案數目除以包含該詞語之檔案的數目,再將得到的商取對數得到:本公式用編輯,推薦一個令人驚歎的網站:Detexify
其中
:語料庫中的檔案總數
:包含詞語的檔案數目(即的檔案數目)如果該詞語不在語料庫中,就會導致分母為零,因此一般情況下使用作為分母。
然而百度百科以及網上大部分關於TF的介紹其實是有問題的,TF-IDF百度百科中說詞頻(term frequency,TF)指的是某一個給定的詞語在該檔案中出現的頻率,那麼很明顯這個計算公式就為:
然而這種計算方式常常會導致TF過小,其實TF-IDF並不是只有一種計算方式,而是多種,這個時候就體現出維基百科的威力了,具體的關於TF-IDF的介紹還是要參照維基百科。
如果不熟悉numpy,可以參考numpy官方檔案
column_sum = [ float(len(np.nonzero(docs_matrix[:,i])[0])) for i in range(docs_matrix.shape[1]) ] column_sum = np.array(column_sum) column_sum = docs_matrix.shape[0] / column_sum idf = np.log(column_sum) idf = np.diag(idf) # 請仔細想想,根絕IDF的定義,計算詞的IDF並不依賴於某個檔案,所以我們提前計算好。 # 注意一下計算都是矩陣運算,不是單個變數的運算。 for doc_v in docs_matrix: if doc_v.sum() == 0: doc_v = doc_v / 1 else: doc_v = doc_v / (doc_v.sum()) tfidf = np.dot(docs_matrix,idf) return names,tfidf
現在我們擁有的矩陣的性質如下,
列是所有檔案總共的詞的集合。
每行代表一個檔案。
每行是一個向量,向量的每個值是這個詞的權值。
到這個時候,我們可以使用kmeans演演算法進行聚類,對kmeans演演算法來說,它看到已經不是文字了,只是矩陣而已,所以我們用的也是通用的kmeans演演算法就可以了。
關於kmeans的介紹可以見於如下的文章:
1. 基本Kmeans演演算法介紹及其實現
2. K-means百度百科
3. 淺談Kmeans聚類
所不同的是,在大部分的文字聚類中,人們通常用餘弦距離(很好的介紹文章)而不是歐氏距離進行計算,難道是因為稀疏矩陣的原因,我並不太明白。
下面的程式碼來自《機器學習實戰》第十章的程式碼:
def gen_sim(A,B): num = float(np.dot(A,B.T)) denum = np.linalg.norm(A) * np.linalg.norm(B) if denum == 0: denum = 1 cosn = num / denum sim = 0.5 + 0.5 * cosn return sim def randCent(dataSet, k): n = shape(dataSet)[1] centroids = mat(zeros((k,n)))#create centroid mat for j in range(n):#create random cluster centers, within bounds of each dimension minJ = min(dataSet[:,j]) rangeJ = float(max(dataSet[:,j]) - minJ) centroids[:,j] = mat(minJ + rangeJ * random.rand(k,1)) return centroids def kMeans(dataSet, k, distMeas=gen_sim, createCent=randCent): m = shape(dataSet)[0] clusterAssment = mat(zeros((m,2)))#create mat to assign data points #to a centroid, also holds SE of each point centroids = createCent(dataSet, k) clusterChanged = True counter = 0 while counter <= 50: counter += 1 clusterChanged = False for i in range(m):#for each data point assign it to the closest centroid minDist = inf; minIndex = -1 for j in range(k): distJI = distMeas(centroids[j,:],dataSet[i,:]) if distJI < minDist: minDist = distJI; minIndex = j if clusterAssment[i,0] != minIndex: clusterChanged = True clusterAssment[i,:] = minIndex,minDist**2 #print centroids for cent in range(k):#recalculate centroids ptsInClust = dataSet[nonzero(clusterAssment[:,0].A==cent)[0]]#get all the point in this cluster centroids[cent,:] = mean(ptsInClust, axis=0) #assign centroid to mean return centroids, clusterAssment
基本上到這裡為止,一個可用的中文文字聚類工具已經完成了,github專案地址。其效果到底怎麼樣呢?
我自己有一些未分類的文章屬於人生感悟(羞羞臉)類別的共有182篇,在切詞以及去除停用詞之後,共得到13202個詞語,我設定K=10,嗯,效果並不是太好,當然可能有一下原因:
檔案本身已經屬於高度分類的了,基於詞頻的聚類並不能發現關於這些文章間的細微的區別。
演演算法需要優化,可能有些地方可以設定修改一下。
總之,在學習若干天機器學習後,第一次實踐之旅算是結束了。
以上就是python中文文字切詞Kmeans聚類的詳細內容,更多關於python文字切詞Kmeans聚類的資料請關注it145.com其它相關文章!
相關文章
<em>Mac</em>Book项目 2009年学校开始实施<em>Mac</em>Book项目,所有师生配备一本<em>Mac</em>Book,并同步更新了校园无线网络。学校每周进行电脑技术更新,每月发送技术支持资料,极大改变了教学及学习方式。因此2011
2021-06-01 09:32:01
综合看Anker超能充系列的性价比很高,并且与不仅和iPhone12/苹果<em>Mac</em>Book很配,而且适合多设备充电需求的日常使用或差旅场景,不管是安卓还是Switch同样也能用得上它,希望这次分享能给准备购入充电器的小伙伴们有所
2021-06-01 09:31:42
除了L4WUDU与吴亦凡已经多次共事,成为了明面上的厂牌成员,吴亦凡还曾带领20XXCLUB全队参加2020年的一场音乐节,这也是20XXCLUB首次全员合照,王嗣尧Turbo、陈彦希Regi、<em>Mac</em> Ova Seas、林渝植等人全部出场。然而让
2021-06-01 09:31:34
目前应用IPFS的机构:1 谷歌<em>浏览器</em>支持IPFS分布式协议 2 万维网 (历史档案博物馆)数据库 3 火狐<em>浏览器</em>支持 IPFS分布式协议 4 EOS 等数字货币数据存储 5 美国国会图书馆,历史资料永久保存在 IPFS 6 加
2021-06-01 09:31:24
开拓者的车机是兼容苹果和<em>安卓</em>,虽然我不怎么用,但确实兼顾了我家人的很多需求:副驾的门板还配有解锁开关,有的时候老婆开车,下车的时候偶尔会忘记解锁,我在副驾驶可以自己开门:第二排设计很好,不仅配置了一个很大的
2021-06-01 09:30:48
不仅是<em>安卓</em>手机,苹果手机的降价力度也是前所未有了,iPhone12也“跳水价”了,发布价是6799元,如今已经跌至5308元,降价幅度超过1400元,最新定价确认了。iPhone12是苹果首款5G手机,同时也是全球首款5nm芯片的智能机,它
2021-06-01 09:30:45