朴素贝叶斯完整代码

￡神魔★判官ぃ 2023-06-18 02:54 7阅读 0赞

#!/usr/bin/env python
    # coding: utf-8
    
    from numpy import *
    
    
    # 项目案例1: 屏蔽社区留言板的侮辱性言论
    
    # 准备数据：从文本中构建词向量
    
    
    def loadDataSet():
        """
        创建数据集
        :return: 单词列表postingList, 所属类别classVec
        """
        postingList = [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],  # [0,0,1,1,1......]
                       ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
                       ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'],
                       ['stop', 'posting', 'stupid', 'worthless', 'garbage'],
                       ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
                       ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
        classVec = [0, 1, 0, 1, 0, 1]  # 1代表侮辱性文字, 0 代表正常言论
        return postingList, classVec
    
    
    def createVocabList(dataSet):
        """
        获取所有单词的集合
        :param dataSet:数据集
        :return:所有单词的集合(即不含重复元素的单词列表)
        """
        vocabSet = set([])  # 创建空集合
        for document in dataSet:
            # 操作符 | 用于求两个集合的并集
            vocabSet = vocabSet | set(document)
        return list(vocabSet)
    
    
    def setOfWords2Vec(vocabList, inputSet):
        """
        遍历查看该单词是否出现，出现该单词则将该单词置1
        :param vocabList: 所有单词集合列表
        :param inputSet: 输入数据集
        :return:匹配列表[0,1,0,1...]，其中 1与0 表示词汇表中的单词是否出现在输入的数据集中
        """
        # 创建一个和词汇表等长的向量，并将其元素都设置为0
        returnVec = [0] * len(vocabList)
        # 遍历文档中的所有单词，如果出现了词汇表中的单词，则将输出的文档向量中的对应值设为1
        for word in inputSet:
            if word in vocabList:
                returnVec[vocabList.index(word)] = 1
            else:
                print("the word: %s is not in my Vocabulary!" % word)
        return returnVec
    
    
    # 训练算法：从词向量计算概率
    
    
    def _trainNB0(trainMatrix, trainCategory):
        """
        训练数据原版
        :param trainMatrix: 文件单词矩阵 [[1,0,1,1,1....],[],[]...]
        :param trainCategory: 文件对应的类别[0,1,1,0....]，列表长度等于单词矩阵数，其中的1代表对应的文件是侮辱性文件，0代表不是侮辱性矩阵
        :return:
        """
        # 文件数
        numTrainDocs = len(trainMatrix)
        # 单词数
        numWords = len(trainMatrix[0])
        # 侮辱性文件的出现概率，即trainCategory中所有的1的个数，
        # 代表的就是多少个侮辱性文件，与文件的总数相除就得到了侮辱性文件的出现概率
        pAbusive = sum(trainCategory) / float(numTrainDocs)
        # 构造单词出现次数列表
        p0Num = zeros(numWords)  # [0,0,0,.....]
        p1Num = zeros(numWords)  # [0,0,0,.....]
    
        # 整个数据集单词出现总数
        p0Denom = 0.0
        p1Denom = 0.0
        for i in range(numTrainDocs):
            # 遍历所有的文件，如果是侮辱性文件，就计算此侮辱性文件中出现的侮辱性单词的个数
            if trainCategory[i] == 1:
                p1Num += trainMatrix[i]  # [0,1,1,....]->[0,1,1,...]
                p1Denom += sum(trainMatrix[i])
            else:
                # 如果不是侮辱性文件，则计算非侮辱性文件中出现的侮辱性单词的个数
                p0Num += trainMatrix[i]
                p0Denom += sum(trainMatrix[i])
        # 类别1，即侮辱性文档的[P(F1|C1),P(F2|C1),P(F3|C1),P(F4|C1),P(F5|C1)....]列表
        # 即 在1类别下，每个单词出现次数的占比
        p1Vect = p1Num / p1Denom  # [1,2,3,5]/90->[1/90,...]
        # 类别0，即正常文档的[P(F1|C0),P(F2|C0),P(F3|C0),P(F4|C0),P(F5|C0)....]列表
        # 即 在0类别下，每个单词出现次数的占比
        p0Vect = p0Num / p0Denom
        return p0Vect, p1Vect, pAbusive
    
    
    def trainNB0(trainMatrix, trainCategory):
        """
        训练数据优化版本
        :param trainMatrix: 文件单词矩阵
        :param trainCategory: 文件对应的类别
        :return:
        """
        # 总文件数
        numTrainDocs = len(trainMatrix)
        # 总单词数
        numWords = len(trainMatrix[0])
        # 侮辱性文件的出现概率
        pAbusive = sum(trainCategory) / float(numTrainDocs)
        # 构造单词出现次数列表
        # p0Num 正常的统计
        # p1Num 侮辱的统计
        # 避免单词列表中的任何一个单词为0，而导致最后的乘积为0，所以将每个单词的出现次数初始化为 1
        p0Num = ones(numWords)  # [0,0......]->[1,1,1,1,1.....]
        p1Num = ones(numWords)
    
        # 整个数据集单词出现总数，2.0根据样本/实际调查结果调整分母的值（2主要是避免分母为0，当然值可以调整）
        # p0Denom 正常的统计
        # p1Denom 侮辱的统计
        p0Denom = 2.0
        p1Denom = 2.0
        for i in range(numTrainDocs):
            if trainCategory[i] == 1:
                # 累加辱骂词的频次
                p1Num += trainMatrix[i]
                # 对每篇文章的辱骂的频次 进行统计汇总
                p1Denom += sum(trainMatrix[i])
            else:
                p0Num += trainMatrix[i]
                p0Denom += sum(trainMatrix[i])
        # 类别1，即侮辱性文档的[log(P(F1|C1)),log(P(F2|C1)),log(P(F3|C1)),log(P(F4|C1)),log(P(F5|C1))....]列表
        p1Vect = log(p1Num / p1Denom)
        # 类别0，即正常文档的[log(P(F1|C0)),log(P(F2|C0)),log(P(F3|C0)),log(P(F4|C0)),log(P(F5|C0))....]列表
        p0Vect = log(p0Num / p0Denom)
        return p0Vect, p1Vect, pAbusive
    
    
    # 测试算法：根据现实情况修改分类器
    
    
    def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
        """
        使用算法：
            # 将乘法转换为加法
            乘法：P(C|F1F2...Fn) = P(F1F2...Fn|C)P(C)/P(F1F2...Fn)
            加法：P(F1|C)*P(F2|C)....P(Fn|C)P(C) -> log(P(F1|C))+log(P(F2|C))+....+log(P(Fn|C))+log(P(C))
        :param vec2Classify: 待测数据[0,1,1,1,1...]，即要分类的向量
        :param p0Vec: 类别0，即正常文档的[log(P(F1|C0)),log(P(F2|C0)),log(P(F3|C0)),log(P(F4|C0)),log(P(F5|C0))....]列表
        :param p1Vec: 类别1，即侮辱性文档的[log(P(F1|C1)),log(P(F2|C1)),log(P(F3|C1)),log(P(F4|C1)),log(P(F5|C1))....]列表
        :param pClass1: 类别1，侮辱性文件的出现概率
        :return: 类别1 or 0
        """
        # 计算公式  log(P(F1|C))+log(P(F2|C))+....+log(P(Fn|C))+log(P(C))
        # 使用 NumPy 数组来计算两个向量相乘的结果，这里的相乘是指对应元素相乘，即先将两个向量中的第一个元素相乘，然后将第2个元素相乘，以此类推。
        # 我的理解是：这里的 vec2Classify * p1Vec 的意思就是将每个词与其对应的概率相关联起来
        # 可以理解为 1.单词在词汇表中的条件下，文件是good 类别的概率 也可以理解为 2.在整个空间下，文件既在词汇表中又是good类别的概率
        p1 = sum(vec2Classify * p1Vec) + log(pClass1)
        p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
        if p1 > p0:
            return 1
        else:
            return 0
    
    
    def testingNB():
        """
        测试朴素贝叶斯算法
        """
        # 1. 加载数据集
        listOPosts, listClasses = loadDataSet()
        # 2. 创建单词集合
        myVocabList = createVocabList(listOPosts)
        # 3. 计算单词是否出现并创建数据矩阵
        trainMat = []
        for postinDoc in listOPosts:
            # 返回m*len(myVocabList)的矩阵， 记录的都是0，1信息
            trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
        # 4. 训练数据
        p0V, p1V, pAb = trainNB0(array(trainMat), array(listClasses))
        # 5. 测试数据
        testEntry = ['love', 'my', 'dalmation']
        thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
        print(testEntry, 'classified as: ', classifyNB(thisDoc, p0V, p1V, pAb))
        testEntry = ['stupid', 'garbage']
        thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
        print(testEntry, 'classified as: ', classifyNB(thisDoc, p0V, p1V, pAb))
    
    
    def bagOfWords2VecMN(vocabList, inputSet):
        returnVec = [0] * len(vocabList)
        for word in inputSet:
            if word in vocabList:
                returnVec[vocabList.index(word)] += 1
        return returnVec
    
    
    # 项目案例2: 使用朴素贝叶斯过滤垃圾邮件
    
    # 准备数据：切分文本
    
    
    def textParse(bigString):
        """
        Desc:
            接收一个大字符串并将其解析为字符串列表
        Args:
            bigString -- 大字符串
        Returns:
            去掉少于 2 个字符的字符串，并将所有字符串转换为小写，返回字符串列表
        """
        import re
        # 使用正则表达式来切分句子，其中分隔符是除单词、数字外的任意字符串
        listOfTokens = re.split(r'\W+', bigString)
        return [tok.lower() for tok in listOfTokens if len(tok) > 2]
    
    
    def spamTest():
        """
        Desc:
            对贝叶斯垃圾邮件分类器进行自动化处理。
        Returns:
            对测试集中的每封邮件进行分类，若邮件分类错误，则错误数加 1，最后返回总的错误百分比。
        """
        docList = []
        classList = []
        fullText = []
        for i in range(1, 26):
            # 切分，解析数据，并归类为 1 类别
            wordList = textParse(open('data/email/spam/%d.txt' % i).read())
            docList.append(wordList)
            classList.append(1)
            # 切分，解析数据，并归类为 0 类别
            wordList = textParse(open('data/email/ham/%d.txt' % i).read())
            docList.append(wordList)
            fullText.extend(wordList)
            classList.append(0)
        # 创建词汇表
        vocabList = createVocabList(docList)
        trainingSet = list(range(50))
        testSet = []
        # 随机取 10 个邮件用来测试
        for i in range(10):
            # random.uniform(x, y) 随机生成一个范围为 x - y 的实数
            randIndex = int(random.uniform(0, len(trainingSet)))
            testSet.append(trainingSet[randIndex])
            del (trainingSet[randIndex])
        trainMat = []
        trainClasses = []
        for docIndex in trainingSet:
            trainMat.append(setOfWords2Vec(vocabList, docList[docIndex]))
            trainClasses.append(classList[docIndex])
        p0V, p1V, pSpam = trainNB0(array(trainMat), array(trainClasses))
        errorCount = 0
        for docIndex in testSet:
            wordVector = setOfWords2Vec(vocabList, docList[docIndex])
            if classifyNB(array(wordVector), p0V, p1V, pSpam) != classList[docIndex]:
                errorCount += 1
        print('the errorCount is: ', errorCount)
        print('the testSet length is :', len(testSet))
        print('the error rate is :', float(errorCount) / len(testSet))
    
    
    def testParseTest():
        print(textParse(open('data/email/ham/1.txt').read()))
    
    
    # 项目案例3: 使用朴素贝叶斯从个人广告中获取区域倾向
    
    # 将文本文件解析成 词条向量
    def setOfWords2VecMN(vocabList, inputSet):
        returnVec = [0] * len(vocabList)  # 创建一个其中所含元素都为0的向量
        for word in inputSet:
            if word in vocabList:
                returnVec[vocabList.index(word)] += 1
        return returnVec
    
    
    # 文件解析
    def textParse(bigString):
        import re
        listOfTokens = re.split(r'\W+', bigString)
        return [tok.lower() for tok in listOfTokens if len(tok) > 2]
    
    
    # RSS源分类器及高频词去除函数
    def calcMostFreq(vocabList, fullText):
        import operator
        freqDict = {
        }
        for token in vocabList:  # 遍历词汇表中的每个词
            freqDict[token] = fullText.count(token)  # 统计每个词在文本中出现的次数
        sortedFreq = sorted(freqDict.items(), key=operator.itemgetter(1), reverse=True)  # 根据每个词出现的次数从高到底对字典进行排序
        return sortedFreq[:30]  # 返回出现次数最高的30个单词
    
    
    def localWords(feed1, feed0):
        import random
        import feedparser
        docList = []
        classList = []
        fullText = []
        minLen = min(len(feed1['entries']), len(feed0['entries']))
        for i in range(minLen):
            wordList = textParse(feed1['entries'][i]['summary'])  # 每次访问一条RSS源
            docList.append(wordList)
            fullText.extend(wordList)
            classList.append(1)
            wordList = textParse(feed0['entries'][i]['summary'])
            docList.append(wordList)
            fullText.extend(wordList)
            classList.append(0)
        vocabList = createVocabList(docList)
        top30Words = calcMostFreq(vocabList, fullText)
        for pairW in top30Words:
            if pairW[0] in vocabList:
                vocabList.remove(pairW[0])  # 去掉出现次数最高的那些词
        trainingSet = list(range(2 * minLen))
        testSet = []
        for i in range(5):
            randIndex = int(random.uniform(0, len(trainingSet)))
            testSet.append(trainingSet[randIndex])
            del (trainingSet[randIndex])
        trainMat = []
        trainClasses = []
        for docIndex in trainingSet:
            trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
            trainClasses.append(classList[docIndex])
        p0V, p1V, pSpam = trainNB0(array(trainMat), array(trainClasses))
        errorCount = 0
        for docIndex in testSet:
            wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
            if classifyNB(array(wordVector), p0V, p1V, pSpam) != classList[docIndex]:
                errorCount += 1
        print('the error rate is:', float(errorCount) / len(testSet))
        return vocabList, p0V, p1V
    
    
    # 最具表征性的词汇显示函数
    def getTopWords(ny, sf):
        import operator
        vocabList, p0V, p1V = localWords(ny, sf)
        topNY = []
        topSF = []
        for i in range(len(p0V)):
            if p0V[i] > -6.0:
                topSF.append((vocabList[i], p0V[i]))
            if p1V[i] > -6.0:
                topNY.append((vocabList[i], p1V[i]))
        sortedSF = sorted(topSF, key=lambda pair: pair[1], reverse=True)
        print("SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**")
        for item in sortedSF:
            print(item[0])
        sortedNY = sorted(topNY, key=lambda pair: pair[1], reverse=True)
        print("NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**")
        for item in sortedNY:
            print(item[0])
    
    
    if __name__ == "__main__":
        import feedparser
        ny = feedparser.parse('https://newyork.craigslist.org/search/res?format=rss')
        sf = feedparser.parse('https://sfbay.craigslist.org/search/apa?format=rss')
        vocabList1, pSF, pNY = localWords(ny, sf)
        vocabList2, pSF2, pNY2 = localWords(ny, sf)
        # testingNB()
        # spamTest()
        # laTest()