用Python開始機器學習（5：文本特徵抽取與向量化）

原文鏈接: http://blog.csdn.net/lsldd/article/details/41520953

在原文的基礎上增加點筆記，stop_word的增加方法。

stop_words : string {‘english’}, list, or None (default)

If ‘english’, a built-in stop word list for English is used.

If a list, that list is assumed to contain stop words, all of which will be removed from the resulting tokens. Only applies if analyzer == 'word'.

If None, no stop words will be used. max_df can be set to a value in the range [0.7, 1.0) to automatically detect and filter stop words based on intra corpus document frequency of terms.

--其他更多的參數請參考這裏

假設我們剛看完諾蘭的大片《星際穿越》，設想如何讓機器來自動分析各位觀衆對電影的評價到底是“贊”（positive）還是“踩”（negative）呢？

這類問題就屬於情感分析問題。這類問題處理的第一步，就是將文本轉換爲特徵。

因此，這章我們只學習第一步，如何從文本中抽取特徵，並將其向量化。

由於中文的處理涉及到分詞問題，本文用一個簡單的例子來說明如何使用Python的機器學習庫，對英文進行特徵提取。

1、數據準備

Python的sklearn.datasets支持從目錄讀取所有分類好的文本。不過目錄必須按照一個文件夾一個標籤名的規則放好。比如本文使用的數據集共有2個標籤，一個爲“net”，一個爲“pos”，每個目錄下面有6個文本文件。目錄如下所示：
neg
    1.txt
    2.txt
    ......

pos
    1.txt
    2.txt
    ....

12個文件的內容彙總起來如下所示：

neg:
    shit.
    waste my money.
    waste of money.
    sb movie.
    waste of time.
    a shit movie.
pos:
    nb! nb movie!
    nb!
    worth my money.
    I love this movie!
    a nb movie.
    worth it!

2、文本特徵

如何從這些英文中抽取情感態度而進行分類呢？

最直觀的做法就是抽取單詞。通常認爲，很多關鍵詞能夠反映說話者的態度。比如上面這個簡單的數據集，很容易發現，凡是說了“shit”的，就一定屬於neg類。

當然，上面數據集是爲了方便描述而簡單設計的。現實中一個詞經常會有穆棱兩可的態度。但是仍然有理由相信，某個單詞在neg類中出現的越多，那麼他表示neg態度的概率越大。

同樣我們注意到有些單詞對情感分類是毫無意義的。比如上述數據中的“of”，“I”之類的單詞。這類詞有個名字，叫“Stop_Word“（停用詞）。這類詞是可以完全忽略掉不做統計的。顯然忽略掉這些詞，詞頻記錄的存儲空間能夠得到優化，而且構建速度也更快。

把每個單詞的詞頻作爲重要的特徵也存在一個問題。比如上述數據中的”movie“，在12個樣本中出現了5次，但是出現正反兩邊次數差不多，沒有什麼區分度。而”worth“出現了2次，但卻只出現在pos類中，顯然更具有強烈的剛晴色彩，即區分度很高。

因此，我們需要引入TF-IDF（Term Frequency-Inverse Document Frequency，詞頻和逆向文件頻率）對每個單詞做進一步考量。

TF（詞頻）的計算很簡單，就是針對一個文件t，某個單詞Nt 出現在該文檔中的頻率。比如文檔“I love this movie”，單詞“love”的TF爲1/4。如果去掉停用詞“I"和”it“，則爲1/2。

IDF（逆向文件頻率）的意義是，對於某個單詞t，凡是出現了該單詞的文檔數Dt，佔了全部測試文檔D的比例，再求自然對數。

比如單詞“movie“一共出現了5次，而文檔總數爲12，因此IDF爲ln(5/12)。

很顯然，IDF是爲了凸顯那種出現的少，但是佔有強烈感情色彩的詞語。比如“movie”這樣的詞的IDF=ln(12/5)=0.88，遠小於“love”的IDF=ln(12/1)=2.48。

TF-IDF就是把二者簡單的乘在一起即可。這樣，求出每個文檔中，每個單詞的TF-IDF，就是我們提取得到的文本特徵值。

3、向量化

有了上述基礎，就能夠將文檔向量化了。我們先看代碼，再來分析向量化的意義：

# -*- coding: utf-8 -*-
import scipy as sp
import numpy as np
from sklearn.datasets import load_files
from sklearn.cross_validation import train_test_split
from sklearn.feature_extraction.text import  TfidfVectorizer

'''''加載數據集，切分數據集80%訓練，20%測試'''
movie_reviews = load_files('endata')
doc_terms_train, doc_terms_test, y_train, y_test\
    = train_test_split(movie_reviews.data, movie_reviews.target, test_size = 0.3)

'''''BOOL型特徵下的向量空間模型，注意，測試樣本調用的是transform接口'''
count_vec = TfidfVectorizer(binary = False, decode_error = 'ignore',\
                            stop_words = 'english')
x_train = count_vec.fit_transform(doc_terms_train)
x_test  = count_vec.transform(doc_terms_test)
x       = count_vec.transform(movie_reviews.data)
y       = movie_reviews.target
print(doc_terms_train)
print(count_vec.get_feature_names())
print(x_train.toarray())
print(movie_reviews.target)

運行結果如下：

[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輸出的比較混亂。我這裏做了一個表格如下：

從上表可以發現如下幾點：

1、停用詞的過濾。

初始化count_vec的時候，我們在count_vec構造時傳遞了stop_words = 'english'，表示使用默認的英文停用詞。可以使用count_vec.get_stop_words()查看TfidfVectorizer內置的所有停用詞。當然，在這裏可以傳遞你自己的停用詞list（比如這裏的“movie”）

2、TF-IDF的計算。

這裏詞頻的計算使用的是sklearn的TfidfVectorizer。這個類繼承於CountVectorizer，在後者基本的詞頻統計基礎上增加了如TF-IDF之類的功能。

我們會發現這裏計算的結果跟我們之前計算不太一樣。因爲這裏count_vec構造時默認傳遞了max_df=1，因此TF-IDF都做了規格化處理，以便將所有值約束在[0,1]之間。

3、count_vec.fit_transform的結果是一個巨大的矩陣。我們可以看到上表中有大量的0，因此sklearn在內部實現上使用了稀疏矩陣。本例子數據較小。如果讀者有興趣，可以試試機器學習科研工作者使用的真實數據，來自康奈爾大學：http://www.cs.cornell.edu/people/pabo/movie-review-data/。這個網站提供了很多數據集，其中有幾個2M左右的數據庫，正反例700個左右。這樣的數據規模也不算大，1分鐘內還是可以跑完的，建議大家試一試。不過要注意這些數據集可能存在非法字符問題。所以在構造count_vec時，傳入了decode_error = 'ignore'，以忽略這些非法字符。

上表的結果，就是訓練8個樣本的8個特徵的一個結果。這個結果就可以使用各種分類算法進行分類了