我负责的主要部分是文本的分类,运用最基础的朴素贝叶斯分类算法进行处理数据。
一、数据源
采用22673篇文档的数据集,其中的0.7作为训练集,其中的0.3当做测试集来计算roc,测试集一共有6802篇文章的题目和摘要。
二、数据预处理
原始数据是一个TXT中有很多篇文章,包括他的各种属性,我们只把需要的题目和摘要提取出来。
1、分文档:
把一个TXT的多篇文章,每一篇分到一个TXT里面,让每篇文章的唯一标识号作为文章的名称。
import osdef open_text(): #遍历存放原始文件的目录,获取文件内容 for dirname in os.listdir(r'C:\Users\wxx\Desktop\train_split2\train_split2'): for text_name in os.listdir(r'C:\Users\wxx\Desktop\train_split2\train_split2\{}'.format(dirname)): with open(r'C:\Users\wxx\Desktop\train_split2\train_split2\{}\{}'.format(dirname,text_name),'r') as f: clean_text(f.readlines(),dirname,text_name)def clean_text(contents,dirname,text_name): #处理文件内容 if not os.path.exists(r'C:\Users\wxx\Desktop\clean_text\{}'.format(dirname)): #创建新的目录来存放处理好的文件 os.mkdir(r'C:\Users\wxx\Desktop\clean_text\{}'.format(dirname)) try: with open(r'C:\Users\wxx\Desktop\clean_text\{}\{}'.format(dirname,text_name),'w') as f : i = 0#内容list下标 while i < len(contents): if i == len(contents)-1: #如果是最后一行 f.write(contents[i]) i += 1 continue if not contents[i].startswith(' ') and not contents[i+1].startswith(' '): #当前行和下一行不是一类内容 f.write(contents[i]) i += 1 continue if not contents[i].startswith(' ') and contents[i+1].startswith(' ') : #当前行和下一行是一类内容 i += 1 str = [] str.append(contents[i-1].rstrip('\n')) while i < len(contents) and contents[i].startswith(' '): #合并到一行 str.append(contents[i].rstrip('\n')) i += 1 str.append('\n') f.write(''.join(str)) print('{} write successfully'.format(text_name)) except Exception : print('{} has wrong'.format(text_name)) with open(r'C:\Users\wxx\Desktop\clean_text\error.txt','a') as fe: #记录下出错的文件 fe.write('{} has wrong'.format(text_name))open_text()
2、提取题目和摘要:
# -*- coding: UTF-8 -*-from os import pathimport osimport red = path.dirname(__file__)p = r"C:\Users\tyy1\Desktop\gongzuo\clean_text\Carbon Based" #文件夹目录files= os.listdir(p) #得到文件夹下的所有文件名称fd = open('./title and abstract1.txt','a')for file in files: #遍历文件夹 if not os.path.isdir(file): #判断是否是文件夹,不是文件夹才打开 f = open(p+"/"+file); #打开文件 iter_f = iter(f); #创建迭代器 str = "" for line in iter_f: #遍历文件,一行行遍历,读取文本 index = line.find("AB - ") index1 = line.find("TI - ") if 'TI - ' in line: index = index + len("TI - ") s2 = line[index:index+200] fd.write(s2) fd.flush() if 'AB - ' in line: index = index + len("AB - ") s1 = line[index:index+2000] fd.write(s1+'\n') fd.write(" "+'\n') fd.flush()
三、数据处理
1、tf-idf算法提取关键词
第一步,计算词频:
考虑到文章有长短之分,为了便于不同文章的比较,进行"词频"标准化。
第二步,计算逆文档频率:
第三步,计算TF-IDF:
结果:
import nltkimport osfrom nltk.stem import SnowballStemmerstemmer = SnowballStemmer("english")# nltk.download()from sklearn import feature_extractionfrom sklearn.feature_extraction.text import TfidfTransformerfrom sklearn.feature_extraction.text import CountVectorizer# stopwords = nltk.corpus.stopwords.words('english')with open(r'C:\Users\wxx\Desktop\全文\stopwords.txt','r') as f: stopwords = f.readlines() clean_stopwords = [] for stopword in stopwords: clean_stopwords.append(stopword.strip())# print(clean_stopwords)# tags = ['FW','NN','NNS','NNP','NNPS']def open_text(): corpus = [] for text_name in os.listdir(r'C:\Users\wxx\Desktop\全文\全文\num'): with open(r'C:\Users\wxx\Desktop\全文\全文\num\{}'.format(text_name),'r') as f: words_first = [] sens = nltk.sent_tokenize(f.read()) for sen in sens: for word in nltk.word_tokenize(sen): words_first.append(stemmer.stem(word.strip())) words_second = [stemmer.stem(w) for w in words_first if w not in clean_stopwords] # words_third = [] # for word_tag in nltk.pos_tag(words_second): # if word_tagwords_second[1] in tags: # words_third.append(stemmer.stem(word_tag[0])) # test = dict(nltk.FreqDist(words_third)) clean_content = ' '.join(words_second) corpus.append(clean_content) return corpusdef tfidf(corpus): vectorizer = CountVectorizer() transformer = TfidfTransformer() tfidf = transformer.fit_transform(vectorizer.fit_transform(corpus)) word = vectorizer.get_feature_names() weight = tfidf.toarray() for i in range(len(weight)): wordlist = [] valuelist = [] for j in range(len(word)): wordlist.append(word[j]) valuelist.append(weight[i][j]) wordandvalue = dict(zip(wordlist, valuelist)) dd = sorted(wordandvalue.items(), key=lambda d: d[1], reverse=True) for i in range(5): # 显示前五个 print(dd[i]) print('--------------------')tfidf(open_text())
2、朴素贝叶斯算法进行分类
第一阶段:训练数据生成训练样本集:TF-IDF
第二阶段;对每个类别计算 P(yi)(先验概率)
第三阶段:对每个特征属性计算所有划分的条件概率P(x/yi)
第四阶段:对每个类别计算P(x/yi)P(yi)
第五阶段:以 P(x/yi)P(yi)最大项作为 的所属类别
#encoding:utf-8import pandas as pdimport numpy as npimport osdef read_data( path ,classes): with open(path,'r') as file: lines = file.readlines() finallines = [] pertxt = "" i = 0 for line in lines: if line == '\n': i += 1 else: i = 0 pertxt += line if i >= 2: finallines.append(pertxt) pertxt = "" i = 0 txts = pd.DataFrame({"content": finallines}) txts['classes'] = classes txts = txts.dropna() return txtsdef cleanFormat_test(data): txts = data stop_txt = pd.read_table(r'C:\Users\PC\Desktop\title and abstract\stopwords.txt', sep='\n', names=['words']) stop_txt = stop_txt.dropna() english_stopwords =stop_txt.words.values.tolist() english_punctuations = [',', '.', ':', ';', '?', '(', ')', '<', '>', '{', '}','[', ']', '!', '@', '#', '%', '$', '*', '/','0','1','2','3','4','5','6','7','8','9',"\n"] finallines = [] for pertxt in txts: no_punctual="" for w in pertxt: if w not in english_punctuations: no_punctual += w else: no_punctual += " " words=no_punctual.replace(" "," ").split() clean_pertxt = "" for word in words: if word not in english_stopwords: if(len(word)>4): clean_pertxt += word+ " " finallines.append(clean_pertxt) return finallinestr1=read_data(r'C:\Users\PC\Desktop\title and abstract\Test Set\Carbon Based.txt','Carbon Based')tr2=read_data(r'C:\Users\PC\Desktop\title and abstract\Test Set\metallic.txt','metallic')tr3=read_data(r'C:\Users\PC\Desktop\title and abstract\Test Set\nano ceramic.txt','nano ceramic')tr4=read_data(r'C:\Users\PC\Desktop\title and abstract\Test Set\Organic Inorganic.txt','Organic Inorganic')tr5=read_data(r'C:\Users\PC\Desktop\title and abstract\Test Set\Polymer.txt','Polymer')tr6=read_data(r'C:\Users\PC\Desktop\title and abstract\Test Set\Semi-Metallic.txt','Semi-Metallic')df_data = pd.concat([tr1,tr2,tr3,tr4,tr5,tr6])from sklearn.model_selection import train_test_splittrain_x,test_x,train_y,test_y = train_test_split(df_data['content'].values,df_data['classes'].values,test_size=0.3,random_state=10)words=df_data.content.values.tolist()classes=df_data.classes.values.tolist()orign_content_list = test_xwords=cleanFormat_test(words)train_x=cleanFormat_test(train_x)test_x=cleanFormat_test(test_x)from sklearn.feature_extraction.text import CountVectorizervec = CountVectorizer(analyzer='word', lowercase = False)vec.fit(train_x)#训练集数据用来拟合分类器from sklearn.naive_bayes import MultinomialNBclassifier = MultinomialNB()classifier.fit(vec.transform(train_x),train_y)print("贝叶斯分类器精度:")print(classifier.score(vec.transform(words), classes))
四、数据可视化
词云制作:调用python中 matplotlib WordCloud。
# _*_ coding:utf-8 _*_ #!/usr/bin/python # -*- coding:-*-import sysreload(sys)sys.setdefaultencoding('gbk')from os import pathimport osfrom scipy.misc import imreadimport matplotlib.pyplot as pltfrom wordcloud import WordCloud, STOPWORDS, ImageColorGenerator# 获取当前文件路径# __file__ 为当前文件, 在ide中运行此行会报错,可改为# d = path.dirname('.')d = path.dirname(__file__)p = r"C:\Users\tyy1\Desktop\gongzuo\wx00-17\wx2016" #文件夹目录files= os.listdir(p) #得到文件夹下的所有文件名称s = []for file in files: #遍历文件夹 if not os.path.isdir(file): #判断是否是文件夹,不是文件夹才打开 f = open(p+"/"+file); #打开文件 iter_f = iter(f); #创建迭代器 str = " " for line in iter_f: #遍历文件,一行行遍历,读取文本 str = str + line s.append(str) #每个文件的文本存到list中# 设置背景图片,也就是掩膜图像,在非白色部分我们的统计好的词频会显示在这里alice_coloring = imread(path.join(d, "16.jpg"))stopwords = set(STOPWORDS)stopwords.add("Journal")stopwords.add("Article")stopwords.add("using")stopwords.add("used")stopwords.add("based")stopwords.add("also")stopwords.add("However")wc = WordCloud(background_color="black", # 背景颜色 #max_words=2000,# 词云显示的最大词数 mask=alice_coloring, # 设置背景图片 stopwords=stopwords, max_font_size=300, # 字体最大值 random_state=50)# 上述函数设计了词云格式# 生成词云, 可以用generate输入全部文本(中文不好分词),也可以我们计算好词频后使用generate_from_frequencies函数wc.generate(' '.join(s))# 文本词频统计函数,本函数自动统计词的个数,以字典形式内部存储,在显示的时候词频大的,字体也大# 从背景图片生成颜色值image_colors = ImageColorGenerator(alice_coloring)# 以下代码显示图片plt.figure()# recolor wordcloud and show# we could also give color_func=image_colors directly in the constructorplt.imshow(wc.recolor(color_func=image_colors))plt.axis("off")plt.show()
五、分类结果评估
(1)数据集:
采用2万多篇文档的数据集中的0.3测试集来计算roc,一共有6802篇文章的题目和摘要。
去标点符号:english_punctuations = [',', '.', ':', ';', '?', '(', ')', '<', '>', '{', '}','[', ']', '!', '@', '#', '%', '$', '*', '/',"\n"]
去停用词:附件有个stopwords.txt 没有转换大小写。
(2)精确度、召回率、F值:
混淆矩阵(Confusion Matrix):
真正例(True Positive;TP):将一个正例正确判断成一个正例
伪正例(False Positive;FP):将一个反例错误判断为一个正例
真反例(True Negtive;TN):将一个反例正确判断为一个反例
伪反例(False Negtive;FN):将一个正例错误判断为一个反例
Ⅰ.精确率(Precision)
预测为正例的样本中,真正为正例的比率.
精确率本质来说是对于预测结果来说的.表示对于结果来说,我对了多少。
Ⅱ.召回率(Recall)
预测为正例的真实正例(TP)占所有真实正例的比例.
召回率是对于原来的样本而言的.表示在原来的样本中,我预测中了其中的多少。
Ⅳ.F值
表示精确率和召回率的调和均值
微精确度为多个混淆矩阵的精确率的平均
微精确度:0.758751607
微召回率为多个混淆矩阵的召回率的平均
微召回率:0.763060747
微F1: 0.76090008
(3)AUC和ROC曲线
Ⅰ.FPR伪正类率(False Positive Rate,FPR)------横坐标
Ⅱ.TPR真正类率(Ture Positive Rate,TPR)-------纵坐标
预测为正且实际为正的样本占所有正样本的比例.你会发现,这个不就是召回率
ROC就是对于一个分类器,给定一些阈值,每一个阈值都可以得到一组(FPR,TPR),以FPR作为横坐标,TPR作为纵坐标
AUC:为ROC曲线下面积
第一列是每一篇文献属于这一类的概率
第二列是真实的类别 如果属于这类就为1,不属于就为0
放入Excel中,然后再使用R语言计算AUC,可以直接画出ROC曲线。
第一步:首先加载这个选中的程序包
第二步,导入文件:
第三步:画图,FALSE和TURE是做升序还是降序
第四步:前百分之多少的AUC
(其中top=0.01可以不设置)
第五步:算AUC
得到的结果:
第一类:
第二类:
第三类:
第四类:
第五类:
第六类: