五、TF-IDF以及LDA主题模型
TF-IDF关键词提取
import jieba.analyse
index = 2400
print(df_news['content'][index])
content_S_str = ''.join(content_S[index])
# 提取关键词
print(" ".join(jieba.analyse.extract_tags(content_S_str,topK=5,withWeight = False)))
可以得到第2400条数据以及关键词
法国ＶＳ西班牙、里贝里ＶＳ哈维，北京时间６月２４日凌晨一场的大战举世瞩目，而这场胜利不仅仅关乎两支顶级强队的命运，同时也是他们背后
的球衣赞助商耐克和阿迪达斯之间的一次角逐。Ｔ谌胙”窘炫分薇的１６支球队之中，阿迪达斯和耐克的势力范围也是几乎旗鼓相当：其中有５家球
衣由耐克提供，而阿迪达斯则赞助了６家，此外茵宝有３家，而剩下的两家则由彪马赞助。而当比赛进行到现在，率先挺进四强的两支球队分别被耐
克支持的葡萄牙和阿迪达斯支持的德国占据，而由于最后一场１／４决赛是茵宝（英格兰）和彪马（意大利）的对决，这也意味着明天凌晨西班牙同
法国这场阿迪达斯和耐克在１／４决赛的唯一一次直接交手将直接决定两家体育巨头在此次欧洲杯上的胜负。８据评估，在２０１２年足球商品的销
售额能总共超过４０亿欧元，而单单是不足一个月的欧洲杯就有高达５亿的销售额，也就是说在欧洲杯期间将有７００万件球衣被抢购一空。根据市
场评估，两大巨头阿迪达斯和耐克的市场占有率也是并驾齐驱，其中前者占据３８％，而后者占据３６％。体育权利顾问奥利弗－米歇尔在接受《队
报》采访时说：“欧洲杯是耐克通过法国翻身的一个绝佳机会！”Ｃ仔尔接着谈到两大赞助商的经营策略：“竞技体育的成功会燃起球衣购买的热情，
不过即便是水平相当，不同国家之间的欧洲杯效应却存在不同。在德国就很出色，大约１／４的德国人通过电视观看了比赛，而在西班牙效果则差很
多，由于民族主义高涨的加泰罗尼亚地区只关注巴萨和巴萨的球衣，他们对西班牙国家队根本没什么兴趣。”因此尽管西班牙接连拿下欧洲杯和世界
杯，但是阿迪达斯只为西班牙足协支付每年２６００万的赞助费＃相比之下尽管最近两届大赛表现糟糕法国足协将从耐克手中每年可以得到４０００
万欧元。米歇尔解释道：“法国创纪录的４０００万欧元赞助费得益于阿迪达斯和耐克竞逐未来１５年欧洲市场的竞争。耐克需要笼络一个大国来打
赢这场欧洲大陆的战争，而尽管德国拿到的赞助费并不太高，但是他们却显然牢牢掌握在民族品牌阿迪达斯手中。从长期投资来看，耐克给法国的
赞助并不算过高。”
耐克 阿迪达斯 欧洲杯 球衣 西班牙
从最后一句话就可以大致得到这段文章的大致意思，那这些词就是这段文章的关键词。
LDA（Latent Dirichlet Allocation）是一种文档主题生成模型，它是一种主题模型，它包含文章，主题和词三个部分，它可以将文档集中每篇文档的主题以概率分布的形式给出，从而通过分析一些文档抽取出它们的主题（分布）出来后，便可以根据主题（分布）进行主题聚类或文本分类。同时，它是一种典型的词袋模型，即一篇文档是由一组词构成，词与词之间没有先后顺序的关系。此外，一篇文档可以包含多个主题，文档中每一个词都由其中的一个主题生成。LDA就是要干的事就是根据给定的一篇文档，推测其主题分布。它是一个无监督学习，类似于聚类。
导入gensim库，需要自己手动安装
# pip install gensim from gensim import corpora,models,similarities import gensim # 自然语言处理库 #http://radimrehurek.com/gensim/ # 需要用时可以自行查阅官方文档
进行词映射，相当于一个大的字典，每一个词汇进行一个映射。
# 做映射，相当于词袋 格式要求：list of list dictionary = corpora.Dictionary(contents_clean) # 字典 corpus = [dictionary.doc2bow(sentence) for sentence in contents_clean] # 语料
进行LDA建模，将整个语料库划分为20个主题
# num_topics=20 类似Kmeans自己指定K值 lda = gensim.models.ldamodel.LdaModel(corpus=corpus,id2word=dictionary,num_topics=20)
查看第1号主题的结果，然后选出这个主题中权重值最高的5个关键词。
# 一号分类结果 print(lda.print_topic(1, topn=5))
分类后结果为：
0.008*"说" + 0.007*"男人" + 0.005*"爱情" + 0.005*"中" + 0.004*"离婚"
查看这20个主题的关键词
for topic in lda.print_topics(num_topics=20,num_words=5):
print(topic[1])
结果为：
0.007*"孩子" + 0.004*"Ｐ" + 0.003*"高校" + 0.003*"ａ" + 0.003*"说"
0.008*"说" + 0.007*"男人" + 0.005*"爱情" + 0.005*"中" + 0.004*"离婚"
0.008*"中" + 0.007*"说" + 0.005*"观众" + 0.005*"ａ" + 0.004*"男人"
0.020*"男人" + 0.014*"女人" + 0.008*"说" + 0.005*"中" + 0.005*"孩子"
0.018*"ｅ" + 0.015*"ａ" + 0.012*"ｉ" + 0.010*"ｏ" + 0.008*"ｌ"
0.021*"电影" + 0.018*"导演" + 0.010*"影片" + 0.008*"中" + 0.006*"主演"
0.009*"节目" + 0.007*"中" + 0.006*"说" + 0.004*"主持人" + 0.004*"吃"
0.006*"学校" + 0.004*"工作" + 0.004*"学生" + 0.004*"高考" + 0.004*"中"
0.012*"ａ" + 0.012*"ｎ" + 0.010*"中" + 0.010*"ｅ" + 0.010*"ｏ"
0.008*"中国" + 0.005*"中" + 0.004*"创作" + 0.004*"西班牙" + 0.004*"说"
0.013*"官兵" + 0.007*"部队" + 0.006*"武警" + 0.004*"万" + 0.003*"中"
0.005*"中" + 0.005*"Ｓ" + 0.004*"Ｖ" + 0.004*"Ｌ" + 0.004*"Ｎ"
0.010*"Ｍ" + 0.005*"Ｐ" + 0.005*"张绍" + 0.005*"Ｉ" + 0.004*"Ｓ"
0.008*"中" + 0.006*"中国" + 0.006*"观众" + 0.005*"说" + 0.004*"比赛"
0.005*"万" + 0.003*"号" + 0.003*"公司" + 0.002*"Ｔ" + 0.002*"壮阳"
0.007*"Ｓ" + 0.006*"号" + 0.004*"万" + 0.004*"ａ" + 0.004*"中"
0.004*"中国" + 0.004*"产品" + 0.003*"欧洲杯" + 0.003*"中" + 0.003*"化妆水"
0.005*"中" + 0.005*"万" + 0.004*"排毒" + 0.003*"纹身" + 0.003*"号"
0.005*"中" + 0.005*"比赛" + 0.004*"食物" + 0.003*"香港" + 0.003*"营养"
0.010*"考生" + 0.008*"中" + 0.004*"发展" + 0.004*"文化" + 0.003*"中国"
六、使用贝叶斯进行分类
先将清洗好的数据转换为pandas支持的DataFrame格式
df_train=pd.DataFrame({'contents_clean':contents_clean,'label':df_news['category']})
df_train.tail()
得到的结果为：
查看数据集所有类别
df_train.label.unique()
结果：
array(['汽车', '财经', '科技', '健康', '体育', '教育', '文化', '军事', '娱乐', '时尚'],
dtype=object)
使用pandas对类别进行映射
label_mapping = {"汽车": 1, "财经": 2, "科技": 3, "健康": 4, "体育":5, "教育": 6,"文化": 7,"军事": 8,"娱乐": 9,"时尚": 0}
df_train['label'] = df_train['label'].map(label_mapping)
df_train.head()
得到的结果是
下面开始常规的机器学习套路进行分类，首先划分训练集与测试集
from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test = train_test_split(df_train['contents_clean'].values, df_train['label'].values, random_state=1)
查看训练集
#x_train = x_train.flatten() x_train[0][1]
结果：
'上海'
训练集数据转为字符串数据，为了符合下面输入数据的格式。
words = []
for line_index in range(len(x_train)):
try:
#x_train[line_index][word_index] = str(x_train[line_index][word_index])
words.append(' '.join(x_train[line_index]))
except:
print(line_index,word_index)
words[0]
得到的第0条数据
'中新网 上海 日电 于俊 父亲节 网络 吃 一顿 电影 快餐 微 电影 爸 对不起 我爱你 定于 本月 父亲节 当天 各大 视频 网站
首映 葜 谱 鞣 剑 保慈 障蚣 钦 呓 樯 埽 ⒌ 缬 埃 ǎ 停 椋 悖 颍 铩 妫 椋 恚 称 微型 电影 新 媒体 平台 播放 状态
短时 休闲 状态 观看 完整 策划 系统 制作 体系 支持 显示 较完整 故事情节 电影 微 超短 放映 微 周期 制作 天 数周 微
规模 投资 人民币 几千 数万元 每部 内容 融合 幽默 搞怪 时尚 潮流 人文 言情 公益 教育 商业 定制 主题 单独 成篇 系列
成剧 唇 开播 微 电影 爸 对不起 我爱你 讲述 一对 父子 观念 缺少 沟通 导致 关系 父亲 传统 固执 钟情 传统 生活 方式
儿子 新派 音乐 达 习惯 晚出 早 生活 性格 张扬 叛逆 两种 截然不同 生活 方式 理念 差异 一场 父子 间 拉开序幕 子 失
手 打破 父亲 心爱 物品 父亲 赶出 家门 剧情 演绎 父亲节 妹妹 哥哥 化解 父亲 这场 矛盾 映逋坏 嚼 斫 狻 ⒍ 粤 ⒌ 桨
容 争执 退让 传统 尴尬 父子 尴尬 情 男人 表达 心中 那份 感恩 一杯 滤挂 咖啡 父亲节 变得 温馨 镁 缬 缮 虾 Ｎ 逄 煳
幕 传播 迪欧 咖啡 联合 出品 出品人 希望 观摩 扪心自问 父亲节 父亲 记得 父亲 生日 哪一天 父亲 爱喝 跨出 家门 那一
刻 感觉 一颗 颤动 心 操劳 天下 儿女 父亲节 大声 喊出 父亲 家人 爱 完'
打印word的长度
print(len(words))
word长度为
3750
使用一个小例子用sklearn将词转换为词频向量
from sklearn.feature_extraction.text import CountVectorizer texts=['dog cat fish','dog cat cat','fish bird','bird'] # 注意text格式 cv = CountVectorizer() cv_fit = cv.fit_transform(texts) print(cv.get_feature_names()) print(cv_fit.toarray()) print(cv_fit.toarray().sum(axis=0))
结果是
['bird', 'cat', 'dog', 'fish']
[[0 1 1 1]
[0 2 1 0]
[1 0 0 1]
[1 0 0 0]]
[2 3 2 2]
改变参数试一下，ngram_range表示1到4个词进行组合，让向量更加复杂
from sklearn.feature_extraction.text import CountVectorizer texts=["dog cat fish","dog cat cat","fish bird", 'bird'] cv = CountVectorizer(ngram_range=(1,4)) cv_fit=cv.fit_transform(texts) print(cv.get_feature_names()) print(cv_fit.toarray()) print(cv_fit.toarray().sum(axis=0))
得到的向量为：
现在使用sklearn对上面构造的数据(也就是特定格式的数据)转换为词频向量
from sklearn.feature_extraction.text import CountVectorizer vec = CountVectorizer(analyzer='word', max_features=4000, lowercase = False) vec.fit(words)
构造的模型为
CountVectorizer(analyzer='word', binary=False, decode_error='strict',
dtype=<class 'numpy.int64'>, encoding='utf-8', input='content',
lowercase=False, max_df=1.0, max_features=4000, min_df=1,
ngram_range=(1, 1), preprocessor=None, stop_words=None,
strip_accents=None, token_pattern='(?u)\\b\\w\\w+\\b',
tokenizer=None, vocabulary=None)
然后使用贝叶斯算法完成结果分类，传入的参数是刚才的词频向量
from sklearn.naive_bayes import MultinomialNB classifier = MultinomialNB() classifier.fit(vec.transform(words), y_train)
构造的模型为
MultinomialNB(alpha=1.0, class_prior=None, fit_prior=True)
还是将数据转换为字符串，使用测试集来进行测试
test_words = []
for line_index in range(len(x_test)):
try:
#x_train[line_index][word_index] = str(x_train[line_index][word_index])
test_words.append(' '.join(x_test[line_index]))
except:
print (line_index,word_index)
test_words[0]
查看得到的测试集(也要符合输入的格式)
'国家 公务员 考试 申论 应用文 类 试题 实质 一道 集 概括 分析 提出 解决问题 一体 综合性 试题 说 一道 客观
凝练 申发 论述 文章 题目 分析 历年 国考 申论 真题 公文 类 试题 类型 多样 包括 公文 类 事务性 文书 类 题
材 从题 干 作答 材料 内容 整合 分析 无需 太 创造性 发挥 纵观 历年 申论 真题 作答 应用文 类 试题 文种 格
式 作出 特别 重在 内容 考查 行文 格式 考生 平常心 面对 应用文 类 试题 准确 把握 作答 领会 内在 含义 把
握 题材 主旨 材料 结构 轻松 应对 应用文 类 试题 Ｒ 弧 ⒆ 钒 盐 展文 写作 原则 Ｔ 材料 中来 应用文 类 试
题 材料 总体 把握 客观 考生 材料 中来 材料 中 把握 材料 准确 理解 题材 主旨 Ｔ 政府 角度 作答 应用文 类
试题 更应 注重 政府 角度 观点 政府 角度 出发 原则 表述 观点 提出 解决 之策 考生 作答 站 政府 人员 角度
看待 提出 解决问题 Ｔ 文体 结构 形式 考查 重点 文体 结构 大部分 评分 关键点 解答 方法 薄 ⒆ ス 丶 词
明 方向 作答 题目 题干 作答 作答 方向 作答 角度 关键 向导 考生 仔细阅读 题干 作答 抓住 关键词 作答 方向
相关 要点 整理 作答 思路 年国考 地市级 真 题为 例 潦惺姓 府 宣传 推进 近海 水域 污染 整治 工作 请 给定
资料 市政府 工作人员 身份 草拟 一份 宣传 纲要 Ｒ 求 保对 宣传 内容 要点 提纲挈领 陈述 玻 体现 政府 精
神 全市 各界 关心 支持 污染 整治 工作 通俗易懂 超过 字 肮 丶 词 近海 水域 污染 整治 工作 市政府 工作人
员 身份 宣传 纲要 提纲挈领 陈述 体现 政府 精神 全市 各界 关心 支持 污染 整治 工作 通俗易懂 提示 归结
作答 要点 包括 污染 情况 原因 解决 对策 作答 思路 情况 原因 对策 意义 逻辑 顺序 安排 文章 结构 病 ⒋
缶殖 龇 ⅲ 明 结构 解答 应用文 类 试题 考生 材料 整体 出发 大局 出发 高屋建瓴 把握 材料 主题 思想 事件
起因 解决 对策 阅读文章 构建 文章 结构 直至 快速 解答 场 ⒗ 硭 乘悸 罚明 逻辑 应用文 类 试题 严密 逻
辑思维 情况 原因 对策 意义 考生 作答 先 弄清楚 解答 思路 统筹安排 脉络 清晰 逻辑 表达 内容 表述 础
把握 明 详略 考生 仔细阅读 分析 揣摩 应用文 类 试题 内容 答题 时要 详略 得当 主次 分明 安排 内容 增加
文章 层次感 阅卷 老师 阅卷 时能 明白 清晰 一目了然 玻埃 保蹦旯 考 考试 申论 试卷 分为 省级 地市级 两套
试卷 能力 大有 省级 申论 试题 考生 宏观 角度看 注重 深度 广度 考生 深谋远虑 地市级 试题 考生 微观 视角
观察 侧重 考查 解决 能力 考生 贯彻执行 作答 区别对待'
查看预测准确率为
classifier.score(vec.transform(test_words), y_test)
准确率为：
0.804
现在可以使用另外一种方式来构造TF-IDF向量
from sklearn.feature_extraction.text import TfidfVectorizer vectorizer = TfidfVectorizer(analyzer='word', max_features=4000, lowercase = False) vectorizer.fit(words)
构造的模型
TfidfVectorizer(analyzer='word', binary=False, decode_error='strict',
dtype=<class 'numpy.float64'>, encoding='utf-8',
input='content', lowercase=False, max_df=1.0, max_features=4000,
min_df=1, ngram_range=(1, 1), norm='l2', preprocessor=None,
smooth_idf=True, stop_words=None, strip_accents=None,
sublinear_tf=False, token_pattern='(?u)\\b\\w\\w+\\b',
tokenizer=None, use_idf=True, vocabulary=None)
继续贝叶斯算法来建模
from sklearn.naive_bayes import MultinomialNB classifier = MultinomialNB() classifier.fit(vectorizer.transform(words), y_train)
得到的模型为
MultinomialNB(alpha=1.0, class_prior=None, fit_prior=True)
查看预测准确率
classifier.score(vectorizer.transform(test_words), y_test)
得到的结果为：
0.8152
可以看出通过TF-IDF向量得到的结果更好一些，我们也可以更改上面的ngram_range的值来使结果更好，一般来说值为2就足够了。
七、总结
在这个新闻分类的案例中，我们了解了文本分析一般的处理步骤分词、词频统计、词频向量或者TF-IDF向量、最后相似度的计算。还学习了jieba分词库的使用，还有停用词表的使用，还有TF-IDF关键词提取以及LDA主题模型，后面还使用到了词云来进行词频的可视化展示，最后还使用到了自然语言处理库gensim，然后使用机器学习中的贝叶斯算法进行最终的分类。
还有就是最重要的一点就是学习使用陌生的python库最好是找官方教程进行模仿学习，先把结果进行跑通然后再进行深入的学习。