【火炉炼AI】机器学习038-NLP创建词袋模型
(本文所使用的Python库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2， NLTK 3.3)
词袋模型（Bag Of Words, BOW)和词向量（Word Embedding, 也叫词嵌套等）是自然语言处理和文本分析的两个最常用的模型。
词袋模型将一段文本看成一系列单词的集合，由于单词很多，故而这段文本就相当于一个袋子，里面装着一系列单词。故而计算机的NLP分析就是对这个袋子进行分析，但是计算机不认识文本，只认识数字，那么我们需要一种机制将袋子里的文本转换成数字，这种机制可以是一种Dict映射（key为数字，value为文本等），或数组（索引为数字，值为文本），或者还可以用HashCode来计算文本的数字表示，而NLP建模就是使用这些数字来建模。词袋在学习之后，就可以通过构建文档中所有单词的直方图来对每篇文档进行建模。
词向量模型是将单个单词映射到一个高维空间（维度可以到几千几万甚至几十万），这个高维空间就用数组，或者成为向量来表示，故而建立一种单词-向量的映射关系，所以成为词向量模型。但是这种模型能表示的仅仅是单个单词，对于有多个单词组成的一句话，那么就需要做进一步处理，比如一个单词就是一个向量，Ｎ个单词组成的一句话就是Ｎ个一维向量了，故而可以用Ｎ个一维向量组成的矩阵来表示一句话，只不过不同长度的句子，该矩阵的行数不一样罢了。
下面我们仅仅学习用NLP创建词袋模型，创建过程主要是提取文本的特征，构建特征向量。有两种方法可以构建特征向量，分别是CountVectorizer和TfidfVectorizer。
1. 用CountVectorizer提取文本特征
sklearn模块中的CountVectorizer方法可以直接提取文本特征，这个函数只考虑词汇在文本中出现的频率，这个函数有一个参数：stop_words，表示是否取出停用词，所谓的停用词是指为了节省空间和提高效率而自动过滤到的词语，比如 the, is, at, which等，对于不同的，默认的stop_words不去除停用词。
# 数据集暂时用简·奥斯丁的《爱玛》中的文本
dataset=nltk.corpus.gutenberg.words('austen-emma.txt')
# print(len(dataset)) # 192427 代表读入正常
chunks=split(" ".join(dataset[:10000]), 2000) # 将前面的10000个单词分成五个词袋，每个袋子装2000个单词
# 构建一个文档-词矩阵，该矩阵记录了文档中每个单词出现的频次
# 用sk-learn的CountVectorizer函数来实现这种构建过程
from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer(min_df=4, max_df=.99)
# fit_transform函数需要输入一维数组，且数组元素是用空格连起来的文本
chunks=[" ".join(chunk) for chunk in chunks] # 故而需要转换一下
doc_term_matrix = vectorizer.fit_transform(chunks)
feature_names=vectorizer.get_feature_names() # 获取
print(len(feature_names))
print(doc_term_matrix.shape)
# print(doc_term_matrix.T.toarray())
上面将简·奥斯丁的《爱玛》中的前面10000个单词分成了五个词袋，每个词袋包含2000个单词，然后用CountVectorizer建立文本特征向量，通过fit_transform后就在CountVectorizer对象内部建立了这种文档-词矩阵，通过print可以看出结果。
为了更加明确的看出里面的文档-词矩阵，可以用下面的代码将其打印出来：
# 打印看看doc_term_matrix这个文档-词矩阵里面的内容
print('Document Term Matrix------>>>>')
bag_names=['Bag_'+str(i) for i in range(5)] # 5个词袋
formatted_row='{:>12}'*(1+len(bag_names)) # 每一行第一列是单词，后面是每个词袋中的频率
print(formatted_row.format('Word', *bag_names))
for word, freq in zip(feature_names,doc_term_matrix.T.toarray()): # 需要装置矩阵
# 此处的freq是csr_matrix数据结构
output = [str(x) for x in freq.data]
print(formatted_row.format(word,*output))
-------------------------------------输---------出--------------------------------
Document Term Matrix------>>>>
Word Bag_0 Bag_1 Bag_2 Bag_3 Bag_4
about 3 4 0 1 1
among 1 1 1 1 0
because 1 1 0 1 1
believe 0 1 1 1 3
believed 0 1 1 1 2
best 1 2 1 1 0
better 0 3 1 1 2
beyond 1 0 1 2 3
...
--------------------------------------------完-------------------------------------
以上是部分结果，可以看出about在Bag_0中出现了3次，在Bag_1中出现了4次，以此类推。
如果对这种矩阵的出现次数有疑惑，可以看我的我的github中代码，里面有更详细的解释。
值得注意的是，CountVectorizer也可以用于中文特征的提取，但是需要对自定义的split函数进行修改，原来的函数用空格作为分隔符，可以很好的将英文分词，但对中文无效，故而中文的情况需要将split中的分词方式改成jieba分词。
2. 用TfidfVectorizer提取文本特征
TfidfVectorizer的主要特点是：除了考量某词汇在文本出现的频率，还关注包含这个词汇的所有文本的数量，这个方法能够削减高频没有意义的词汇带来的影响，挖掘更有意义的特征。一般的，当文本条目越多，这个方法的效果越显著。
在代码上，用TfidfVectorizer和上面的CountVectorizer几乎一样，只是将类名称替换一下即可。
# 数据集暂时用简·奥斯丁的《爱玛》中的文本
dataset=nltk.corpus.gutenberg.words('austen-emma.txt')
# print(len(dataset)) # 192427 代表读入正常
chunks=split(" ".join(dataset[:10000]), 2000) # 将前面的10000个单词分成五个词袋，每个袋子装2000个单词
from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer = TfidfVectorizer()
# fit_transform函数需要输入一维数组，且数组元素是用空格连起来的文本
chunks=[" ".join(chunk) for chunk in chunks] # 故而需要转换一下
doc_term_matrix = vectorizer.fit_transform(chunks)
feature_names=vectorizer.get_feature_names() # 获取
print(len(feature_names))
print(doc_term_matrix.shape)
打印出来的结果并不是某个单词在词袋中出现的频率，而是tf-idf权重，这个权重有个计算公式，tf-idf=tf*idf，也就是说tf与idf分别是两个不同的东西。其中tf为谋个训练文本中，某个词的出现次数，即词频(Term Frequency)；idf为逆文档频率（Inverse Document Frequency），对于词频的权重调整系数。
########################小**********结###############################
1，用于词袋模型中提取文本特征主要有两种方法：CountVectorizer和TfidfVectorizer，其中CountVectorizer构建的文档-词矩阵里面是单词在某个词袋中出现的频率，而TfidfVectorizer构建的矩阵中是单词的tf-idf权重。
2，一般情况下，文档的文本都比较长，故而使用TfidfVectorizer更好一些，推荐首选这个方法。
#################################################################
注：本部分代码已经全部上传到（我的github）上，欢迎下载。
参考资料:
1, Python机器学习经典实例，Prateek Joshi著，陶俊杰，陈小莉译