python 进行文本相似性对比

纠正：在机器学习系统设计一书中，关于求欧几里得范数是使用scipy下的linagl.norm来求的，在实际中用的应该是numpy中的linalg.norm来求的，当然也可能是我下载的scipy包和书中的不一样

一种文本相似性度量的方式叫做 --Levenshtein距离，也叫做 编辑距离

也就是是表示从 一个单词转换到另一个单词所有的最小距离

比较编辑距离的一种方法叫做词袋方法 ， 他是基于 词频统计的

-------------------------------------------------------------------------------------------------------

这是关于词频统计的用的包的一些练习代码

CountVectorizer(analyzer=u'word', binary=False, decode_error=u'strict',

        dtype=, encoding=u'utf-8', input=u'content',

        lowercase=True, max_df=1.0, max_features=None, min_df=1,

        ngram_range=(1, 1), preprocessor=None, stop_words=None,

        strip_accents=None, token_pattern=u'(?u)\\b\\w\\w+\\b',

        tokenizer=None, vocabulary=None)

统计词频可以使用这个包

from sklearn.feature_extraction.text import CountVectorizer

vectorizer = CountVectorizer(min_df=1)    设置参数，出现小于一次的就删了

------------------------------------------

实验部分：

vectorizer = CountVectorizer(min_df=1)

#print vectorizer

contex = [r'how to format my hard disk' , r'hard disk format problems']

X = vectorizer.fit_transform(contex)

print vectorizer.get_feature_names()

print X.toarray().transpose()

++++++++++++++++++++++++++++

result：

[u'disk', u'format', u'hard', u'how', u'my', u'problems', u'to']

[[1 1]

 [1 1]

 [1 1]

 [1 0]

 [1 0]

 [0 1]

 [1 0]]

------------------------------------------------------

读取文件见文件方法，使用os包

DIRs = r'D:\workspace\bulid_ML_system\src\first\toy'

post = [ open(os.path.join(DIRs ,f)). read()  for f in os.listdir(DIRs)]

---------------------------------------------------------

计算欧几里得范数

def dist_raw(v1, v2):

    delta = v1 - v2

    return np.linalg.norm(delta.toarray())

------------------------------------------------------------

通过相似度来测量相似的文本：

best_doc = None

best_dist = sys.maxint

best_i = None

#print range(0 , num_sample)

for i in range( 0 , num_sample):

    contexs = contex[i]

    if contexs == new_contex:

        continue

    cocnt_vec = x_train.getrow(i)

    d = dist_raw(cocnt_vec, new_contex_vec)

    print '=====%i=======%.2f====:%s'%(i,d,contexs)

    if d

        best_dist = d

        best_i = i

print 'best=%i====is===%.2f'%(best_i,best_dist)

-------------------------------------------------------------------------

删去一些无关紧要的词：

可以使用 vectorize = CountVectorizer(min_df=1 , stop_words=['interesting'])设置stop_word来设置，他可以是一个list，也可以直接输入english，假如输入的english，那么他会过滤掉318个常见的单词（一般是出现频率高，而没有什么实际用处的词）

这是使用了stop_word之前和之后的对比：

[u'about', u'actually', u'capabilities', u'contains', u'data', u'databases', u'images', u'imaging', u'interesting', u'is', u'it', u'learning', u'machine', u'most', u'much', u'not', u'permanently', u'post', u'provide', u'safe', u'storage', u'store', u'stuff', u'this', u'toy']

[u'actually', u'capabilities', u'contains', u'data', u'databases', u'images', u'imaging', u'interesting', u'learning', u'machine', u'permanently', u'post', u'provide', u'safe', u'storage', u'store', u'stuff', u'toy']

这是使用个list来排除interesting的结果：

[u'about', u'actually', u'capabilities', u'contains', u'data', u'databases', u'images', u'imaging', u'is', u'it', u'learning', u'machine', u'most', u'much', u'not', u'permanently', u'post', u'provide', u'safe', u'storage', u'store', u'stuff', u'this', u'toy']