用Python开始机器学习（5：文本特征抽取与向量化） sklearn

╰+哭是因爲堅強的太久メ 2022-09-25 00:22 219阅读 0赞

http://blog.csdn.net/lsldd/article/details/41520953

假设我们刚看完诺兰的大片《星际穿越》，设想如何让机器来自动分析各位观众对电影的评价到底是“赞”（positive）还是“踩”（negative）呢？

这类问题就属于情感分析问题。这类问题处理的第一步，就是将文本转换为特征。

因此，这章我们只学习第一步，如何从文本中抽取特征，并将其向量化。

由于中文的处理涉及到分词问题，本文用一个简单的例子来说明如何使用[Python][]的[机器学习][Link 1]库，对英文进行特征提取。

## 1、数据准备 ##

Python的sklearn.datasets支持从目录读取所有分类好的文本。不过目录必须按照一个文件夹一个标签名的规则放好。比如本文使用的数据集共有2个标签，一个为“net”，一个为“pos”，每个目录下面有6个文本文件。目录如下所示：  
neg  
1.txt  
2.txt  
......

pos  
1.txt  
2.txt  
....

12个文件的内容汇总起来如下所示：

**\[plain\]** [ view plain][view plain] [ copy][view plain] [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  neg:
2.  shit.
3.  waste my money.
4.  waste of money.
5.  sb movie.
6.  waste of time.
7.  a shit movie.
8.  pos:
9.  nb! nb movie!
10. nb!
11. worth my money.
12. I love this movie!
13. a nb movie.
14. worth it!

## 2、文本特征 ##

如何从这些英文中抽取情感态度而进行分类呢？

最直观的做法就是抽取单词。通常认为，很多关键词能够反映说话者的态度。比如上面这个简单的数据集，很容易发现，凡是说了“shit”的，就一定属于neg类。

当然，上面数据集是为了方便描述而简单设计的。现实中一个词经常会有穆棱两可的态度。但是仍然有理由相信，某个单词在neg类中出现的越多，那么他表示neg态度的概率越大。

同样我们注意到有些单词对情感分类是毫无意义的。比如上述数据中的“of”，“I”之类的单词。这类词有个名字，叫“**Stop\_Word**“（**停用词**）。这类词是可以完全忽略掉不做统计的。显然忽略掉这些词，词频记录的存储空间能够得到优化，而且构建速度也更快。

把每个单词的词频作为重要的特征也存在一个问题。比如上述数据中的”movie“，在12个样本中出现了5次，但是出现正反两边次数差不多，没有什么区分度。而”worth“出现了2次，但却只出现在pos类中，显然更具有强烈的刚晴色彩，即区分度很高。

因此，我们需要引入**TF-IDF**（Term Frequency-Inverse Document Frequency，**词频和逆向文件频率**）对每个单词做进一步考量。

**TF**（**词频**）的计算很简单，就是针对一个文件t，某个单词Nt 出现在该文档中的频率。比如文档“I love this movie”，单词“love”的TF为1/4。如果去掉停用词“I"和”it“，则为1/2。

**IDF**（**逆向文件频率**）的意义是，对于某个单词t，凡是出现了该单词的文档数Dt，占了全部测试文档D的比例，再求自然对数。

比如单词“movie“一共出现了5次，而文档总数为12，因此IDF为ln(5/12)。

很显然，IDF是为了凸显那种出现的少，但是占有强烈感情色彩的词语。比如“movie”这样的词的IDF=ln(12/5)=0.88，远小于“love”的IDF=ln(12/1)=2.48。

**TF-IDF**就是把二者简单的乘在一起即可。这样，求出每个文档中，每个单词的TF-IDF，就是我们提取得到的文本特征值。

## 3、向量化 ##

有了上述基础，就能够将文档向量化了。我们先看代码，再来分析向量化的意义：

**\[python\]** [ view plain][view plain] [ copy][view plain] [![在CODE上查看代码片][CODE]][CODE_CODE] [![派生到我的代码片][ico_fork.svg]][ico_fork.svg 1]

1.  \# -\*- coding: utf-8 -\*-
2.  import scipy as sp
3.  import numpy as np
4.  from sklearn.datasets import load\_files
5.  from sklearn.cross\_validation import train\_test\_split
6.  from sklearn.feature\_extraction.text import TfidfVectorizer
7.  
8.  '''''加载数据集，切分数据集80%训练，20%测试'''
9.  movie\_reviews = load\_files('endata')
10. doc\_terms\_train, doc\_terms\_test, y\_train, y\_test\\
11. = train\_test\_split(movie\_reviews.data, movie\_reviews.target, test\_size = 0.3)
12. 
13. '''''BOOL型特征下的向量空间模型，注意，测试样本调用的是transform接口'''
14. count\_vec = TfidfVectorizer(binary = False, decode\_error = 'ignore',\\
15. stop\_words = 'english')
16. x\_train = count\_vec.fit\_transform(doc\_terms\_train)
17. x\_test = count\_vec.transform(doc\_terms\_test)
18. x = count\_vec.transform(movie\_reviews.data)
19. y = movie\_reviews.target
20. print(doc\_terms\_train)
21. print(count\_vec.get\_feature\_names())
22. print(x\_train.toarray())
23. print(movie\_reviews.target)

运行结果如下：

\[b'waste of time.', b'a shit movie.', b'a nb movie.', b'I love this movie!', b'shit.', b'worth my money.', b'sb movie.', b'worth it!'\]  
\['love', 'money', 'movie', 'nb', 'sb', 'shit', 'time', 'waste', 'worth'\]  
\[\[ 0. 0. 0. 0. 0. 0. 0.70710678 0.70710678 0. \]  
\[ 0. 0. 0.60335753 0. 0. 0.79747081 0. 0. 0. \]  
\[ 0. 0. 0.53550237 0.84453372 0. 0. 0. 0. 0. \]  
\[ 0.84453372 0. 0.53550237 0. 0. 0. 0. 0. 0. \]  
\[ 0. 0. 0. 0. 0. 1. 0. 0. 0. \]  
\[ 0. 0.76642984 0. 0. 0. 0. 0. 0. 0.64232803\]  
\[ 0. 0. 0.53550237 0. 0.84453372 0. 0. 0. 0. \]  
\[ 0. 0. 0. 0. 0. 0. 0. 0. 1. \]\]  
\[1 1 0 1 0 1 0 1 1 0 0 0\]

python输出的比较混乱。我这里做了一个表格如下：

![20141126214627045][]

从上表可以发现如下几点：

1、停用词的过滤。

初始化count\_vec的时候，我们在count\_vec构造时传递了stop\_words = 'english'，表示使用默认的英文停用词。可以使用count\_vec.get\_stop\_words()查看TfidfVectorizer内置的所有停用词。当然，在这里可以传递你自己的停用词list（比如这里的“movie”）

2、TF-IDF的计算。

这里词频的计算使用的是sklearn的TfidfVectorizer。这个类继承于CountVectorizer，在后者基本的词频统计基础上增加了如TF-IDF之类的功能。

我们会发现这里计算的结果跟我们之前计算不太一样。因为这里count\_vec构造时默认传递了max\_df=1，因此TF-IDF都做了规格化处理，以便将所有值约束在\[0,1\]之间。

3、count\_vec.fit\_transform的结果是一个巨大的矩阵。我们可以看到上表中有大量的0，因此sklearn在内部实现上使用了稀疏矩阵。本例子数据较小。如果读者有兴趣，可以试试机器学习科研工作者使用的真实数据，来自康奈尔大学：[http://www.cs.cornell.edu/people/pabo/movie-review-data/][http_www.cs.cornell.edu_people_pabo_movie-review-data]。这个网站提供了很多数据集，其中有几个2M左右的[数据库][Link 2]，正反例700个左右。这样的数据规模也不算大，1分钟内还是可以跑完的，建议大家试一试。不过要注意这些数据集可能存在非法字符问题。所以在构造count\_vec时，传入了decode\_error = 'ignore'，以忽略这些非法字符。

上表的结果，就是训练8个样本的8个特征的一个结果。这个结果就可以使用各种分类算法进行分类了。

[Python]: http://lib.csdn.net/base/11
[Link 1]: http://lib.csdn.net/base/2
[view plain]: http://blog.csdn.net/lsldd/article/details/41520953#
[CODE]: https://code.csdn.net/assets/CODE_ico.png
[CODE_CODE]: https://code.csdn.net/snippets/534073
[ico_fork.svg]: https://code.csdn.net/assets/ico_fork.svg
[ico_fork.svg 1]: https://code.csdn.net/snippets/534073/fork
[20141126214627045]: /images/20220719/b233cc5a8bc74c39aefc4b849d1ef3d8.png
[http_www.cs.cornell.edu_people_pabo_movie-review-data]: http://www.cs.cornell.edu/people/pabo/movie-review-data/
[Link 2]: http://lib.csdn.net/base/14