Python数据挖掘——文本分析

一、

一、定义：

文本挖掘：从大量文本数据中抽取出有价值的知识，并且利用这些知识重新组织信息的过程。

二、语料库（Corpus）

语料库是我们要分析的所有文档的集合。

import os
import os.path

filePaths = []  #定义一个数组变量
#再用OS.walk的方法传入目录
#文件所在的文件目录，命名为root
#root下的所有子目录，命名为dirs
#root下的所有文件，命名为files
for root, dirs, files in os.walk(
    "C:\\Python_DM\\2.1\\SogouC.mini\\Sample"
):
    #进行遍历，需要得到输入目录下的所有文件
    for name in files:  #为了拿到root目录下的所有文件，我们再次便利所有的文件（代码：for name in files:）把它追加到filePaths变量中去即可。
        filePaths.append(os.path.join(root, name)) 
"""
os.path.join,拼接文件路径的方法。如果没有name，则filepaths里面没有xx.txt文件，没有root则没有文件目录路径。
"""

import codecs  #编码转换

filePaths = [];
fileContents = [];
for root, dirs, files in os.walk(
    "C:\\Python_DM\\2.1\\SogouC.mini\\Sample"
):
    for name in files:
        filePath = os.path.join(root, name);
        filePaths.append(filePath);
        f = codecs.open(filePath, 'r', 'utf-8') #1.文件路径 2.打开方式 3.文件编码
        fileContent = f.read()
        f.close()
        fileContents.append(fileContent)

import pandas;
corpos = pandas.DataFrame({
    'filePath': filePaths, 
    'fileContent': fileContents
})

二、中文分词

2.1概念：

中文分词（Chinese Word Segmentation）：将一个汉字序列切分成一个一个单独的词。

eg：我的家乡是广东省湛江市-->我/的/家乡/是/广东省/湛江市

停用词（Stop Words）：
数据处理时，需要过滤掉某些字或词
√泛滥的词，如web、网站等。

√语气助词、副词、介词、连接词等，如 的，地，得；

2.2安装Jieba分词包：

最简单的方法是用CMD直接安装：输入pip install jieba，但是我的电脑上好像不行。

后来在这里：https://pypi.org/project/jieba/#files下载了jieba0.39解压缩后 放在Python36\Lib\site-packages里面，然后在用cmd，pip install jieba 就下载成功了，不知道是是什么原因。

然后我再anaconda 环境下也安装了jieba，先在Anaconda3\Lib这个目录下将jieba0.39的解压缩文件放在里面，然后在Anaconda propt下输入 pip install jieba，如下图：

2.3代码实战：

jieba最主要的方法是cut方法：

• jieba.cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2）cut_all参数用来控制是否采用全模式

• jieba.cut_for_search方法接受一个参数：需要分词的字符串,该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细

• 注意：待分词的字符串可以是gbk字符串、utf-8字符串或者unicode

• jieba.cut以及jieba.cut_for_search返回的结构都是一个可迭代的generator，可以使用for循环来获得分词后得到的每一个词语(unicode)，也可以用list(jieba.cut(...))转化为list代码示例( 分词 )

import jieba;

for w in jieba.cut("我爱Python"):
    print(w)

输出结果为：
我
爱

Python

for w in jieba.cut("""
    工信处女干事
    每月经过下属科室都要亲口交代
    24口交换机等技术性器件的安装工作
"""):
    print(w)

工信处

女干事

每月
经过
下属
科室
都
要
亲口

交代

24
口
交换机
等
技术性
器件
的
安装

工作

分词功能用于专业的场景：

import jieba;
seg_list = jieba.cut(
    "真武七截阵和天罡北斗阵哪个更厉害呢？"
)
for w in seg_list:
    print(w)

会出现真武七截阵和天罡北斗阵被分成几个词。为了改善这个现象，我们用导入词库的方法。

import jieba;
jieba.add_word('真武七截阵')#添加词库
jieba.add_word('天罡北斗阵')
seg_list = jieba.cut(
    "真武七截阵和天罡北斗阵哪个更厉害呢？"
)
for w in seg_list:
    print(w)

但是，如果需要导入的单词很多，jieba.add_word()这样的添加词库的方法就不高效了。

我们可以用jieba.load_userdict(‘D:\\PDM\\2.2\\金庸武功招式.txt’)方法一次性导入整个词库，txt文件中为每行一个特定的词。

2.3.1对大量文章进行分词

先搭建语料库：

分词后我们需要对信息处理，就是这个分词来源于哪个文章。

三、词频统计

3.1词频（Term Frequency）：

    某个词在该文档中出现的次数。

3.2利用Python进行词频统计

# -*- coding: utf-8 -*-
"""搭建语料库，及分词"""
import os
import os.path
import codecs

filePaths = []
fileContents = []
for root, dirs, files in os.walk(
    "C:\\Python_DM\\2.1\\SogouC.mini\\Sample"
):
    for name in files:
        filePath = os.path.join(root, name)
        filePaths.append(filePath);
        f = codecs.open(filePath, 'r', 'utf-8')
        fileContent = f.read()
        f.close()
        fileContents.append(fileContent)

import pandas;
corpos = pandas.DataFrame({
    'filePath': filePaths, 
    'fileContent': fileContents
});

import jieba

segments = []
filePaths = []
for index, row in corpos.iterrows():
    filePath = row['filePath']
    fileContent = row['fileContent']
    segs = jieba.cut(fileContent)
    for seg in segs:
        segments.append(seg)
        filePaths.append(filePath)

segmentDataFrame = pandas.DataFrame({
    'segment': segments, 
    'filePath': filePaths
})

"""filepath一直没变，对fileContents进行了分词，赋值如segment."""


import numpy
#进行词频统计        
segStat = segmentDataFrame.groupby( #调用groupby方法
            by="segment"
        )["segment"].agg({
            "计数":numpy.size
        }).reset_index().sort_values(#重新设置索引
            by=['计数'],
            ascending=False#倒序排序
        )
"""排在前面的为停用词"""

#移除停用词
stopwords = pandas.read_csv(
    "C:\\Python_DM\\2.3\\StopwordsCN.txt", 
    encoding='utf8', 
    index_col=False
)

#获得没有停用词的词频统计结果
fSegStat = segStat[
    ~segStat.segment.isin(stopwords.stopword)
]#'~'取反，不包含停用词的留下。

3.2.1移除停用词的另一种方法，加if判断

import os
import os.path
import codecs

filePaths = []
fileContents = []
for root, dirs, files in os.walk(
    "C:\\Python_DM\\2.1\\SogouC.mini\\Sample"
):
    for name in files:
        filePath = os.path.join(root, name)
        filePaths.append(filePath);
        f = codecs.open(filePath, 'r', 'utf-8')
        fileContent = f.read()
        f.close()
        fileContents.append(fileContent)

import pandas;
corpos = pandas.DataFrame({
    'filePath': filePaths, 
    'fileContent': fileContents
});

import jieba

segments = []
filePaths = []
for index, row in corpos.iterrows():
    filePath = row['filePath']
    fileContent = row['fileContent']
    segs = jieba.cut(fileContent)
    for seg in segs:#下面加一个判断，如果不在分词中就加入进分组，加一个条件：分词去除空格后的长度大于0
        if seg not in stopwords.stopword.values and len(seg.strip())>0:
            segments.append(seg)
            filePaths.append(filePath)

segmentDataFrame = pandas.DataFrame({
    'segment': segments, 
    'filePath': filePaths
});

segStat = segmentDataFrame.groupby(
            by="segment"
        )["segment"].agg({
            "计数":numpy.size
        }).reset_index().sort_values(
            by=["计数"],
            ascending=False
        );

代码中用到的一些常用方法：

分组统计：

DataFrame.groupby(
        by=列名数组)[统计列明数组].agg({
                '统计项名称':统计函数
                })

判断一个数据框中的某一列的值是否包含一个数组中的任意一个值：

DataFrame.列名.isin(数组)

取反：（对布尔值）

df[~df.列名.isin(数组)]

四、词云绘制
词云（Word Cloud）：是对文本中词频较高的分词，给与视觉上的突出，形成“关键词渲染”，从而国旅掉大量的文本信息，使浏览者一眼扫过就可以领略文本的主旨。

4.1安装词云工具包
这个地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/ ，可以搜到基本上所有的Python库，进去根据自己的系统和Python的版本进行下载即可。

在python下安装很方便，在anaconda下安装费了点劲，最终将词云的文件放在C:\Users\Administrator 这个目录下才安装成功。

# -*- coding: utf-8 -*-
import os;
import os.path;
import codecs;

filePaths = [];
fileContents = [];
for root, dirs, files in os.walk(
    "C:\\Python_DM\\2.4\\SogouC.mini\\Sample\\C000007"
):
    for name in files:
        filePath = os.path.join(root, name);
        filePaths.append(filePath);
        f = codecs.open(filePath, 'r', 'utf-8')
        fileContent = f.read()
        f.close()
        fileContents.append(fileContent)

import pandas;
corpos = pandas.DataFrame({
    'filePath': filePaths, 
    'fileContent': fileContents
});

import jieba

segments = []
filePaths = []
for index, row in corpos.iterrows():
    filePath = row['filePath']
    fileContent = row['fileContent']
    segs = jieba.cut(fileContent)
    for seg in segs:
        segments.append(seg)
        filePaths.append(filePath)

segmentDataFrame = pandas.DataFrame({
    'segment': segments, 
    'filePath': filePaths
});


import numpy;
#进行词频统计        
segStat = segmentDataFrame.groupby(
            by="segment"
        )["segment"].agg({
            "计数":numpy.size
        }).reset_index().sort_values(
            by=["计数"],
            ascending=False
        );

#移除停用词
stopwords = pandas.read_csv(
    "C:\\Python_DM\\2.4\\StopwordsCN.txt", 
    encoding='utf8', 
    index_col=False
)

fSegStat = segStat[
    ~segStat.segment.isin(stopwords.stopword)
]

#绘画词云
#http://www.lfd.uci.edu/~gohlke/pythonlibs/
from wordcloud import WordCloud
import matplotlib.pyplot as plt

#传入字体文件的路径，还有背景颜色
#微软雅黑的字体，黑色背景
wordcloud = WordCloud(
    font_path='C:\\Python_DM\\2.4\\simhei.ttf', 
    background_color="black"
)

#把分词设置成数据框的索引，再调用to_dict()的方法，获得一个字典的数据结构了。
words = fSegStat.set_index('segment').to_dict()

wordcloud.fit_words(words['计数'])

plt.imshow(wordcloud)

#plt.close()

五、美化词云（词云放入某图片形象中）
六、关键词提取

import os
import codecs
import pandas
import jieba
import jieba.analyse #关键字提取方法

#定义好存储的列数组，抽取5个关键字
filePaths = []
contents = []
tag1s = []
tag2s = []
tag3s = []
tag4s = []
tag5s = []

for root, dirs, files in os.walk(
    "C:\\Python_DM\\2.6\\SogouC.mini\\Sample\\"
):
    for name in files:
        filePath = root + '\\' + name;
        f = codecs.open(filePath, 'r', 'utf-8')
        content = f.read().strip()
        f.close()
        
        #将文件内容（content）传递给extract_tags方法
        #把管家你在tags添加到对应的列中
        tags = jieba.analyse.extract_tags(content, topK=5)
        filePaths.append(filePath)
        contents.append(content)
        tag1s.append(tags[0])
        tag2s.append(tags[1])
        tag3s.append(tags[2])
        tag4s.append(tags[3])
        tag5s.append(tags[4])

tagDF = pandas.DataFrame({
    'filePath': filePaths, 
    'content': contents, 
    'tag1': tag1s, 
    'tag2': tag2s, 
    'tag3': tag3s, 
    'tag4': tag4s, 
    'tag5': tag5s
})

结果如下:

七、关键词提取实现

词频（Term Frequency）：

    指的是某一个给定的词在该文档中出现的次数。

计算公式： TF = 该次在文档中出现的次数

逆文档频率（Inverse Document Frequency）

    IDF就是每个词的权重，它的大小与一个词的常见程度成反比。

计算公式：IDF = log（文档总数/（包含该词的文档数 - 1））

TF-IDF（Term Frequency-Inverse Document Frequency）

    权衡某个分词是否关键词的指标，该值越大，是关键词的可能性就越大。

计算公式：TF - IDF = TF * IDF

7.1文档向量化

7.2代码实战