文本分類(lèi)-訓(xùn)練集文本預(yù)處理

一莺债、文本預(yù)處理階段###

1.1 設(shè)定訓(xùn)練集和測(cè)試集

訓(xùn)練集每一類(lèi)的數(shù)量為500個(gè)文檔,測(cè)試集每一類(lèi)的數(shù)量也為500個(gè)文檔。

image.png

1.2 計(jì)算每個(gè)文本的DF

為每一個(gè)文本計(jì)算TF,return格式為:'word', 'file_name', term-frequency
先算出每個(gè)文檔中的'word', term-frequency, 在結(jié)束改文本的循環(huán)后將該文本中出現(xiàn)的詞以 'word', 'file_name', term-frequency的形式加入 word_docid_tf

def compute_tf_by_file(self):
    word_docid_tf = []
    for name in self.filenames:
        with open(join(name), 'r') as f:
            tf_dict = dict()
            for line in f:
                line = self.process_line(line)
                words = jieba.cut(line.strip(), cut_all=False)
                for word in words:
                    tf_dict[word] = tf_dict.get(word, 0) + 1
        tf_list = tf_dict.items()
        word_docid_tf += [[item[0], name, item[1]] for item in tf_list]
    return word_docid_tf  

1.3 計(jì)算每個(gè)詞項(xiàng)的TF粪小、DF
為每一個(gè)詞項(xiàng)計(jì)算TF,return的term_freq格式為:'word', dict ( 'file_name ', tf )
為每一個(gè)詞項(xiàng)計(jì)算DF抡句,return的doc_freq格式為:'word', df

def compute_tfidf(self):
    word_docid_tf = self.compute_tf_by_file()
    word_docid_tf.sort()
    doc_freq = dict()
    term_freq = dict()
    for current_word, group in groupby(word_docid_tf, itemgetter(0)):
        doclist = []
        df = 0
        for current_word, file_name, tf in group:
            doclist.append((file_name, tf))
            df += 1
        term_freq[current_word] = dict(doclist)
        doc_freq[current_word] = df
    return term_freq, doc_freq

1.4 精簡(jiǎn)term_freq, doc_freq
除去只出現(xiàn)在一個(gè)或0個(gè)文檔中的詞項(xiàng)
除去數(shù)字詞項(xiàng)

def reduce_tfidf(self, term_freq, doc_freq):
    remove_list = []        
    for key in term_freq.keys():
        if len(key) < 2:#該詞只出現(xiàn)在一個(gè)或0個(gè)文檔中
            remove_list.append(key)
        else:
            try:
                float(key)#該詞是數(shù)字
                remove_list.append(key)
            except ValueError:
                continue
    for key in remove_list:
        term_freq.pop(key)
        doc_freq.pop(key)
    return term_freq, doc_freq

1.5 為每個(gè)文本構(gòu)建特征向量train_feature, train_target
為term_freq, doc_freq中的key探膊,也就是詞項(xiàng)標(biāo)明index
用jieba分詞,將分好的詞放入一個(gè)臨時(shí)的數(shù)組中待榔。
遍歷數(shù)組逞壁,由doc_freq[word]取得DF并計(jì)算iDF流济,由term_freq[word][name]
取得該詞項(xiàng)在該文檔中的TF,并計(jì)算每個(gè)詞項(xiàng)的tf-idf值腌闯,并作為向量中詞項(xiàng)對(duì)應(yīng)index那一維的值绳瘟。
train_feature, train_target = train_tfidf.tfidf_feature(os.path.join(input_path, 'train'),train_tf, train_df, N)

def tfidf_feature(self, dir, term_freq, doc_freq, N):
    filenames = []
    for (dirname, dirs, files) in os.walk(dir):
        for file in files:
            filenames.append(os.path.join(dirname, file))
    word_list = dict()
    for idx, word in enumerate(doc_freq.keys()):
        word_list[word] = idx
    features = []    
    target = []
    for name in filenames:
        feature = np.zeros(len(doc_freq.keys()))
        words_in_this_file = set()
        tags = re.split('[/\\\\]', name)
        tag = tags[-2]            
        with open(name, 'rb') as f:
            for line in f:
                line = self.process_line(line)
                words = jieba.cut(line.strip(), cut_all=False)
                for word in words:
                    words_in_this_file.add(word)
        for word in words_in_this_file:       
            try:
                idf = np.log(float(N) / doc_freq[word])
                tf = term_freq[word][name]
                feature[word_list[word]] = tf*idf
            except KeyError:
                continue
        features.append(feature)
        target.append(tag)
    return sparse.csr_matrix(np.asarray(features)), np.asarray(target)

1.6 存儲(chǔ)&加載
為了節(jié)約之后運(yùn)行的時(shí)間,可以通過(guò)如下方式把測(cè)試集tf和df的值直接存儲(chǔ):

Pickle.dump(train_tf, open(os.path.join(input_path, 'train_tf.pkl'), 'wb'))
print "saved train_tf.pkl"
Pickle.dump(train_df, open(os.path.join(input_path, 'train_df.pkl'), 'wb'))
print "saved train_df.pkl"

之后運(yùn)行時(shí)姿骏,可以通過(guò)如下方式把測(cè)試集tf和df的值直接加載到內(nèi)存糖声,省去了重新計(jì)算的時(shí)間:

train_tf = Pickle.load(open(os.path.join(input_path, 'train_tf.pkl'), 'rb'))
print "loaded train_tf.pkl"
train_df = Pickle.load(open(os.path.join(input_path, 'train_df.pkl'), 'rb'))
train_tfidf.doc_freq=train_df
print "loaded train_df.pkl"
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市分瘦,隨后出現(xiàn)的幾起案子蘸泻,更是在濱河造成了極大的恐慌,老刑警劉巖嘲玫,帶你破解...
    沈念sama閱讀 217,185評(píng)論 6 503
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件悦施,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡去团,警方通過(guò)查閱死者的電腦和手機(jī)抡诞,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,652評(píng)論 3 393
  • 文/潘曉璐 我一進(jìn)店門(mén),熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)土陪,“玉大人臣嚣,你說(shuō)我怎么就攤上這事宅楞∑眩” “怎么了誓竿?”我有些...
    開(kāi)封第一講書(shū)人閱讀 163,524評(píng)論 0 353
  • 文/不壞的土叔 我叫張陵蘸际,是天一觀的道長(zhǎng)帖池。 經(jīng)常有香客問(wèn)我绢淀,道長(zhǎng)待侵,這世上最難降的妖魔是什么出刷? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 58,339評(píng)論 1 293
  • 正文 為了忘掉前任璧疗,我火速辦了婚禮,結(jié)果婚禮上馁龟,老公的妹妹穿的比我還像新娘崩侠。我一直安慰自己,他們只是感情好坷檩,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,387評(píng)論 6 391
  • 文/花漫 我一把揭開(kāi)白布却音。 她就那樣靜靜地躺著,像睡著了一般矢炼。 火紅的嫁衣襯著肌膚如雪系瓢。 梳的紋絲不亂的頭發(fā)上,一...
    開(kāi)封第一講書(shū)人閱讀 51,287評(píng)論 1 301
  • 那天句灌,我揣著相機(jī)與錄音夷陋,去河邊找鬼欠拾。 笑死,一個(gè)胖子當(dāng)著我的面吹牛骗绕,可吹牛的內(nèi)容都是我干的藐窄。 我是一名探鬼主播,決...
    沈念sama閱讀 40,130評(píng)論 3 418
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼酬土,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼荆忍!你這毒婦竟也來(lái)了?” 一聲冷哼從身側(cè)響起撤缴,我...
    開(kāi)封第一講書(shū)人閱讀 38,985評(píng)論 0 275
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤刹枉,失蹤者是張志新(化名)和其女友劉穎,沒(méi)想到半個(gè)月后腹泌,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體嘶卧,經(jīng)...
    沈念sama閱讀 45,420評(píng)論 1 313
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,617評(píng)論 3 334
  • 正文 我和宋清朗相戀三年凉袱,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了芥吟。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 39,779評(píng)論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡专甩,死狀恐怖钟鸵,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情涤躲,我是刑警寧澤棺耍,帶...
    沈念sama閱讀 35,477評(píng)論 5 345
  • 正文 年R本政府宣布,位于F島的核電站种樱,受9級(jí)特大地震影響蒙袍,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜嫩挤,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,088評(píng)論 3 328
  • 文/蒙蒙 一害幅、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧岂昭,春花似錦以现、人聲如沸。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 31,716評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)。三九已至恰矩,卻和暖如春记盒,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背外傅。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 32,857評(píng)論 1 269
  • 我被黑心中介騙來(lái)泰國(guó)打工孽鸡, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留蹂午,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 47,876評(píng)論 2 370
  • 正文 我出身青樓彬碱,卻偏偏與公主長(zhǎng)得像豆胸,于是被迫代替她去往敵國(guó)和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子巷疼,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,700評(píng)論 2 354

推薦閱讀更多精彩內(nèi)容