数据挖掘——关键字提取—基于sklearn包实现

 

什么是sklearn？

　　sklearn全名是Scikit-Learn，是基于Python的机器学习模块，基于BSD开源许可证，官方网址是：http://scikit-learn.org/stable

　　Scikit-Learn的数据结构基于Numpy和Pandas模块，数据计算基于Scipy模块，数据可视化基于Matplotlib模块。

　　Scikit-Learn的基本功能：

　　分类；回归；聚类；数据降维；模型选择；数据预处理。

　　Scikit-Learn将具体的机器学习分为3个步骤：

　　数据准备与预处理；模型选择与训练；模型验证和参数调优。

　　Scikit-Learn自带一些经典的数据集，比如用于分类的iris和digits数据集，还有用于回归分析的boston house prices数据集。该数据集是一种字典结构，数据存储在.data成员中，输出标签存储在.target成员中。Scikit-Learn建立在Scipy之上，提供了一套常用的机器学习算法，通过一个统一的接口来使用，Scikit-Learn有助于在数据集上实现流行的算法。 Scikit-Learn还有一些库，比如：用于自然语言处理的Nltk、用于网站数据抓取的Scrappy、用于网络挖掘的Pattern、用于深度学习的Theano等。 

　　sklearn实现分词与关键字提取的原理：sklearn进行TF-IDF分词的规则是基于空格和标点符号对原文进行分割。

　　sklearn进行文本处理的步骤：

from sklearn.feature_extraction.text import CountVectorizer

#例子
example1 = ['我们 还 没有 到 家',
            '你们 什么 时候 回来',
            '他 想 吃 肉']
gjz_count = CountVectorizer()
textvecot = gjz_count.fit_transform(example1) #得到文档向量化的矩阵内容

textvecot.todense() #通过todense方法获取向量化矩阵,数据结构为numpy.matrixlib.defmatrix.matrix
gjz_count.vocabulary_ #查看矩阵每个列对应的分词，数据结构为字典
type(gjz_count) #数据结构为sklearn.feature_extraction.text.CountVectorizer
type(textvecot.todense()) #数据结构为numpy.matrixlib.defmatrix.matrix
type(gjz_count.vocabulary_) #数据结构为字典
#原理就是通过ID查询单词或通过单词查询ID

结果中将长度为1的分词全都剔除了，所以在CountVectorizer函数的构造过程中需要设置初始化参数

gjz_count = CountVectorizer(
        min_df=0, #设置分词最小长度为0 
        token_pattern=r'w+') #分词的正则表达式

#进行TF-IDF的运算,导入sklearn包中的TF-IDF的计算方法，直接调用
from sklearn.feature_extraction.text import TfidfTransformer 
transformer = TfidfTransformer()
tfidf = transformer.fit_transform(textvecot) #传入得到的字符串数组，得到tf-idf矩阵
#将tfidf数据结构转为数据框矩阵
import pandas as pd 
tfidfDF = pd.DataFrame(tfidf.toarray()) #转换为数据框 
tfidfDF.columns
tfidfDF.columns = gjz_count.get_feature_names() #将数据框的列名替换成分词
##得到列名为分词，行为tf-idf值的矩阵

　　对分词的tf-idf值排序后，直接输出关键字

import numpy as np
tfidf_sorted = np.argsort(tfidf.toarray(),axis=1)[:,-2:] #对所有行排序，取tf-idf值最大的2个分词的列名
tfidfDF.columns[tfidf_sorted].values #根据列名得到对应关键字