Python数据挖掘-NLTK文本分析+jieba中文文本挖掘

一、NLTK介绍及安装

（注：更多资源及软件请W信关注“学娱汇聚门”）

1.1 NLTK安装

NLTK的全称是natural language toolkit，是一套基于python的自然语言处理工具集。

 

nltk的安装十分便捷，只需要pip就可以。相对Python2版本来说，NLTK更支持Python3版本。

pip install nltk

在nltk中集成了语料与模型等的包管理器，通过在python解释器中执行

>>> import nltk
>>> nltk.download()

便会弹出下面的包管理界面，在管理器中可以下载语料，预训练的模型等。 

1.2 NLTK功能介绍

NLTK功能模块一览表：

NLTK⾃带语料库介绍：

>>>from nltk.corpus import brown
>>>brown.categories()
['adventure', 'belles_lettres', 'editorial',
'fiction', 'government', 'hobbies', 'humor',
'learned', 'lore', 'mystery', 'news', 'religion',
'reviews', 'romance', 'science_fiction']
>>>len(brown.sents())
57340
>>>len(brown.words())
1161192

Tokenize:把句子分一个个的小部件，如下例：

>>> import nltk
>>> sentence = “hello, world"
>>> tokens = nltk.word_tokenize(sentence)
>>> tokens
['hello', ‘,', 'world']

 

from nltk.tokenize import word_tokenize
tweet = 'RT @angelababy: love you baby! :D http://ah.love #168cm'
print(word_tokenize(tweet))
# ['RT', '@', 'angelababy', ':', 'love', 'you', 'baby', '!', ':',
# ’D', 'http', ':', '//ah.love', '#', '168cm']

1.3 nltk.text类介绍：

 

nltk.text.Text()类用于对文本进行初级的统计与分析，它接受一个词的列表作为参数。Text类提供了下列方法。

方法	作用
Text(words)	对象构造
concordance(word, width=79, lines=25)	显示word出现的上下文
common_contexts(words)	显示words出现的相同模式
similar(word)	显示word的相似词
collocations(num=20, window_size=2)	显示最常见的二词搭配
count(word)	word出现的词数
dispersion_plot(words)	绘制words中文档中出现的位置图
vocab()	返回文章去重的词典

nltk.text.TextCollection类是Text的集合，提供下列方法

方法	作用
nltk.text.TextCollection([text1,text2,])	对象构造
idf(term)	计算词term在语料库中的逆文档频率，即log总文章数文中出现term的文章数
tf(term,text)	统计term在text中的词频
tf_idf(term,text)	计算term在句子中的tf_idf,即tf*idf

二、中文分词简介

中文分词资料：

结巴分词的github主页
https://github.com/fxsjy/jieba
基于python的中文分词的实现及应用
http://www.cnblogs.com/appler/archive/2012/02/02/2335834.html
对Python中⽂分词模块结巴分词算法过程的理解和分析
http://ddtcms.com/blog/archive/2013/2/4/69/jieba-fenci-suanfa-lijie/
Penn Chinese Treebank Tag Set
http://blog.csdn.net/neutblue/article/details/7375085

我们使用结巴分词(安装结巴库文件)：pip install jieba

import ntlk
import jieba
raw=open(u'../data/昆仑全本.txt',encoding='gb18030',errors='ignore').read()
text=nltk.text.Text(jieba.lcut(raw))

以下为测试
>>>print(text.concordance(u'阿雪'))   #对于本小说，先看下女三主悲情姑娘阿雪出现的情况

>>>print(text.vocab())               

>>>print(text.common_contexts([u'一起',u'一同']))    #下面看下文章常用的二词搭配
output: 你_死
>>>text.dispersion_plot([u'阿雪',u'柳莺莺',u'晓霜'])   #查看三位女主出现的位置，发现第二位女主居然没有，很奇怪，可能她的名字被拆了吧。

于是我们抽取全书排名前20的关键词，发现的确'柳莺莺'被切分成了'柳莺'这个词：

import nltk
import jieba.analyse

raw=open(u'../data/昆仑全本.txt',encoding='utf-8',errors='ignore').read()
a=jieba.analyse.extract_tags(raw, topK=20, withWeight=False, allowPOS=())
print(a)
['梁萧', '柳莺', '云殊', '花晓霜', '文靖', '萧千绝', '阿雪', '二人', '一声', '忽地', '公羊', '武功', 
 '众人', '陀罗', '心头', '晓霜', '秦伯符', '花生', '心中', '梁萧道']

 

3 Python结巴分词

 

3.1结巴分词介绍

“结巴”中文分词：做最好的 Python 中文分词组件,分词模块jieba，它是python比较好用的分词模块, 支持中文简体，繁体分词，还支持自定义词库。 

备注：本部分取《昆仑》一书第一段第一句，即文件“昆仑全本.txt”只有：

大巴山脉，西接秦岭，东连巫峡，雄奇险峻，天下知名。山中道路又陡又狭，深沟巨壑，随处可见；其惊险之处，真个飞鸟难度，猿猱驻足，以李太白之旷达，
行经此地，也不禁长叹：“蜀道难，难于上青天。”

 

3.2 JIEBA分词

 

1、jieba.cut 方法接受三个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 
HMM 模型； 
2、jieba.cut_for_search 方法接受两个参数：需要分词的字符串；是否使用 HMM 模型。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； 
3、待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8 ；
4、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)，或者用jieba.lcut 以及 jieba.lcut_for_search 直接返回 list ；
5、jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器，可用于同时使用不同词典。jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。

#coding=utf-8
import jieba,math
import jieba.analyse

#jieba.cut主要有三种模式
#随便对一个动物园的评论进行分析
str_text=open(u'../data/昆仑全本.txt',encoding='utf-8',errors='ignore').read()
#全模式cut_all=True
str_quan1=jieba.cut(str_text,cut_all=True)
print('全模式分词：{ %d}' % len(list(str_quan1)))
str_quan2=jieba.cut(str_text,cut_all=True)
print("$".join(str_quan2))
# print(str(str_1))   #为一个generator 用for循环可以得到分词的结果
# str_1_len=len(list(str_1))  #为什么？这里执行后后面.join 就不执行，求告知

#精准模式cut_all=False，默认即是
str_jing1=jieba.cut(str_text,cut_all=False)
print('精准模式分词：{ %d}' % len(list(str_jing1)))
str_jing2=jieba.cut(str_text,cut_all=False)
print("$".join(str_jing2))

#搜索引擎模式  cut_for_search
str_soso1=jieba.cut_for_search(str_text)
print('搜索引擎分词：{ %d}' % len(list(str_soso1)))
str_soso2=jieba.cut_for_search(str_text)
print("$".join(str_soso2))

运行结果：
全模式分词：{ 175}
$$大巴$大巴山$巴山$山脉$$$西$接$秦岭$$$东$连$巫峡$$$雄奇$奇险$险峻$$$天下$知名$$$山中$中道$道路$又$陡$又$狭$$$深沟$巨$壑$$$随处$随处可见$可见$$$其$惊险$之处$$$真个$飞鸟$难度$$$猿$猱$驻足$$$以$李太白$太白$之$旷达$$$行经$此地$$$也$不禁$长叹$$$$蜀道$蜀道难$$$难于$难于上青天$上青$青天$$$$时$维$九月$$$正是$深秋$秋季$季节$$$满山$满山红$枫$似火$$$黄叶$如$蝶$$$一片$斑斓$景象$$$
$崇山$崇山峻岭$峻岭$之中$$$但见$一条$鸟$道$$$上$依$绝壁$$$下$临$深谷$$$若有若无$若无$$$蜿蜒$向$南$$$一阵$山风$呼啸$呼啸而过$而过$$$掀起$崖$上$枯藤$$$露出$三个$班驳$的$暗红$大字$$$$神仙$度$$$
精准模式分词：{ 120}
$大巴山$脉$，$西接$秦岭$，$东连$巫峡$，$雄奇$险峻$，$天下$知名$。$山中$道路$又$陡$又$狭$，$深沟$巨壑$，$随处可见$；$其$惊险$之$处$，$真个$飞鸟$难度$，$猿$猱$驻足$，$以$李太白$之$旷达$，$行经$此地$，$也$不禁$长叹$：$“$蜀道难$，$难于上青天$。$”$时维$九月$，$正是$深秋$季节$，$满山红$枫$似火$，$黄叶$如蝶$，$一片$斑斓$景象$。$ $
$崇山峻岭$之中$，$但$见$一条$鸟道$，$上$依$绝壁$，$下临$深谷$，$若有若无$，$蜿蜒$向南$。$一阵$山风$呼啸而过$，$掀起$崖$上$枯藤$，$露出$三个$班驳$的$暗红$大字$：$“$神仙$度$”$.
搜索引擎分词：{ 135}
$大巴$巴山$大巴山$脉$，$西接$秦岭$，$东连$巫峡$，$雄奇$险峻$，$天下$知名$。$山中$道路$又$陡$又$狭$，$深沟$巨壑$，$随处$可见$随处可见$；$其$惊险$之$处$，$真个$飞鸟$难度$，$猿$猱$驻足$，$以$太白$李太白$之$旷达$，$行经$此地$，$也$不禁$长叹$：$“$蜀道$蜀道难$，$难于$上青$青天$难于上青天$。$”$时维$九月$，$正是$深秋$季节$，$满山$满山红$枫$似火$，$黄叶$如蝶$，$一片$斑斓$景象$。$ $
$崇山$峻岭$崇山峻岭$之中$，$但$见$一条$鸟道$，$上$依$绝壁$，$下临$深谷$，$若无$若有若无$，$蜿蜒$向南$。$一阵$山风$呼啸$而过$呼啸而过$，$掀起$崖$上$枯藤$，$露出$三个$班驳$的$暗红$大字$：$“$神仙$度$”$.

加自定义词库：

jieba.load_userdict(filename) filename为文件路径词典格式和dict.txt一样，一词一行，每行分三个部分（用空格隔开），词语 词频（可省） 词性（可省）顺序不可颠倒，若filename为路径或二进制方式打开，则需为UTF-8。

创建“自定义词库.txt”，其内容如下：
自定义词库
山脉
猿猱
又陡
又狭

运行代码如下：

#coding=utf-8
import jieba,math
import jieba.analyse

#jieba.cut主要有三种模式
#随便对一个动物园的评论进行分析
str_text=open(u'../data/昆仑全本.txt',encoding='utf-8',errors='ignore').read()


#精准模式cut_all=False，默认即是
str_jing1=jieba.cut(str_text,cut_all=False)
print('精准模式分词：{ %d}' % len(list(str_jing1)))
str_jing2=jieba.cut(str_text,cut_all=False)
print("$".join(str_jing2))

jieba.load_userdict('../data/自定义词库.txt')
str_load=jieba.cut(str_text,cut_all=False)
print('load_userdict后:'+"/".join(str_load))

结果：
$大巴山$脉$，$西接$秦岭$，$东连$巫峡$，$雄奇$险峻$，$天下$知名$。$山中$道路$又$陡$又$狭$，$深沟$巨壑$，$随处可见$；$其$惊险$之$处$，$真个$飞鸟$难度$，$猿$猱$驻足$，$以$李太白$之$旷达$，$行经$此地$，$也$不禁$长叹$：$“$蜀道难$，$难于上青天$。$”
load_userdict后:/大巴山/脉/，/西接/秦岭/，/东连/巫峡/，/雄奇/险峻/，/天下/知名/。/山中/道路/又陡/又狭/，/深沟/巨壑/，/随处可见/；/其/惊险/之/处/，/真个/飞鸟/难度/，/猿猱/驻足/，/以/李太白/之/旷达/，/行经/此地/，/也/不禁/长叹/：/“/蜀道难/，/难于上青天/。/”

3.3 JIEBA关键词抽取

3.3.1：基于TF-IDF算法的关键词抽取

import jieba.analyse

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
–sentence 为待提取的文本
–topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20
–withWeight 为是否一并返回关键词权重值，默认值为 False
–allowPOS 仅包括指定词性的词，默认值为空，即不筛选，allowPOS可选地名、时间名、形容词等，词性列表详见：http://blog.csdn.net/u013421629/article/details/74097118

jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件

关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径

用法:jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径

关键词提取所使用停止词（Stop Words）文本语料库可以切换成自定义语料库的路径

用法： jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径

例题：见上一部分Top20关键词抽取。

3.3.2：基于TextRank算法的关键词提取

TextRank算法基于PageRank，用于为文本生成关键字和摘要.

参考文献：Mihalcea R, Tarau P. TextRank: Bringing order into texts[C]. Association for Computational Linguistics, 2004.

jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=(‘ns’, ‘n’, ‘vn’, ‘v’)) 直接使用，接口相同，注意默认过滤词性。
jieba.analyse.TextRank() 新建自定义 TextRank 实例
–基本思想：
1，将待抽取关键词的文本进行分词
2，以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图
3，计算图中节点的PageRank，注意是无向带权图
注：各参数列表，见TF-IDF算法

 

from jieba import analyse
# 引入TextRank关键词抽取接口
textrank = analyse.textrank

# 原始文本
text=open(u'../data/昆仑全本.txt',encoding='utf-8',errors='ignore').read()

print("\nkeywords by textrank:")
# 基于TextRank算法进行关键词抽取
keywords = textrank(text)
# 输出抽取出的关键词
for keyword in keywords:
    print(keyword + "/")

结果：
长叹/
巫峡/
道路/
蜀道难/
东连/
知名/

3.4 JIEBA词频及停用词

3.4.1：词频统计、降序排序

from jieba import analyse
import jieba
# 引入TextRank关键词抽取接口
textrank = analyse.textrank

# 原始文本
article=open(u'../data/昆仑全本.txt',encoding='utf-8',errors='ignore').read()
words = jieba.cut(article, cut_all = False)
word_freq = {}
for word in words:
    if word in word_freq:
        word_freq[word] += 1
    else:
        word_freq[word] = 1
freq_word = []
for word, freq in word_freq.items():
    freq_word.append((word, freq))
freq_word.sort(key = lambda x: x[1], reverse = True)   #反序排列，根据第二个参数
max_number = int(input(u"需要前多少位高频词？ "))
for word, freq in freq_word[: max_number]:
    print(word, freq)

运行：
需要前多少位高频词？ 6
， 12      （发现高频词中占用较多的是逗号及句号）
又 2
。 2
之 2
道路 1
脉 1（发现高频词中占用较多的是逗号及句号）
又 2
。 2
之 2
道路 1
脉 1

 

3.4.2：自定义停用词集合

本部分文章来源于：http://blog.csdn.net/suibianshen2012/article/details/68927060  中的Part4.3

jieba分词中基于TF-IDF算法抽取关键词以及基于TextRank算法抽取关键词均需要利用停用词对候选词进行过滤。实现TF-IDF算法抽取关键词的类TFIDF和实现TextRank算法抽取关键词的类TextRank都是类KeywordExtractor的子类。而在类KeywordExtractor，实现了一个方法，可以根据用户指定的路径，加载用户提供的停用词集合。

类KeywordExtractor是在jieba/analyse/tfidf.py中实现。

类KeywordExtractor首先提供了一个默认的名为STOP_WORDS的停用词集合。

然后，类KeywordExtractor实现了一个方法set_stop_words，可以根据用户指定的路径，加载用户提供的停用词集合。

可以将extra_dict/stop_words.txt拷贝出来，并在文件末尾两行分别加入“一个”和
“每个”这两个词，作为用户提供的停用词文件，使用用户提供的停用词集合进行关键词抽取的实例代码如下，

from jieba import analyse
# 引入TF-IDF关键词抽取接口
tfidf = analyse.extract_tags
# 使用自定义停用词集合
analyse.set_stop_words("stop_words.txt")

# 原始文本
text = "线程是程序执行时的最小单位，它是进程的一个执行流，\
        是CPU调度和分派的基本单位，一个进程可以由很多个线程组成，\
        线程间共享进程的所有资源，每个线程有自己的堆栈和局部变量。\
        线程由CPU独立调度执行，在多CPU环境下就允许多个线程同时运行。\
        同样多线程也可以实现并发操作，每个请求分配一个线程来处理。"

# 基于TF-IDF算法进行关键词抽取
keywords = tfidf(text)
print "keywords by tfidf:"
# 输出抽取出的关键词
for keyword in keywords:
    print keyword + "/",

关键词结果为，

keywords by tfidf:
线程/ CPU/ 进程/ 调度/ 多线程/ 程序执行/ 执行/ 堆栈/ 局部变量/ 单位/ 并发/ 分派/ 共享/ 请求/ 最小/ 可以/ 允许/ 分配/ 多个/ 运行/

对比章节2.1中的关键词抽取结果，可以发现“一个”和“每个”这两个词没有抽取出来。

keywords by tfidf:
线程/ CPU/ 进程/ 调度/ 多线程/ 程序执行/ 每个/ 执行/ 堆栈/ 局部变量/ 单位/ 并发/ 分派/ 一个/ 共享/ 请求/ 最小/ 可以/ 允许/ 分配/ 

实现原理 ，这里仍然以基于TF-IDF算法抽取关键词为例。

前面已经介绍了，jieba/analyse/__init__.py主要用于封装jieba分词的关键词抽取接口，在__init__.py首先将类TFIDF实例化为对象default_tfidf，而类TFIDF在初始化时会设置停用词表，我们知道类TFIDF是类KeywordExtractor的子类，而类KeywordExtractor中提供了一个名为STOP_WORDS的停用词集合，因此类TFIDF在初始化时先将类KeywordExtractor中的STOP_WORDS拷贝过来，作为自己的停用词集合stop_words。

# 实例化TFIDF类
default_tfidf = TFIDF()
# 实例化TextRank类
default_textrank = TextRank()

extract_tags = tfidf = default_tfidf.extract_tags
set_idf_path = default_tfidf.set_idf_path
textrank = default_textrank.extract_tags

# 用户设置停用词集合接口
def set_stop_words(stop_words_path):
    # 更新对象default_tfidf中的停用词集合
    default_tfidf.set_stop_words(stop_words_path)
    # 更新对象default_textrank中的停用词集合
    default_textrank.set_stop_words(stop_words_path)

如果用户需要使用自己提供的停用词集合，则需要调用analyse.set_stop_words(stop_words_path)这个函数，set_stop_words函数是在类KeywordExtractor实现的。set_stop_words函数执行时，会更新对象default_tfidf中的停用词集合stop_words，当set_stop_words函数执行完毕时，stop_words也就是更新后的停用词集合。我们可以做个实验，验证在调用analyse.set_stop_words(stop_words_path)函数前后，停用词集合是否发生改变。

from jieba import analyse
import copy

# 将STOP_WORDS集合深度拷贝出来
stopwords0 = copy.deepcopy(analyse.default_tfidf.STOP_WORDS)
# 设置用户自定停用词集合之前，将停用词集合深度拷贝出来  
stopwords1 = copy.deepcopy(analyse.default_tfidf.stop_words)

print stopwords0 == stopwords1
print stopwords1 - stopwords0

# 设置用户自定停用词集合
analyse.set_stop_words("stop_words.txt")
# 设置用户自定停用词集合之后，将停用词集合深度拷贝出来
stopwords2 =  copy.deepcopy(analyse.default_tfidf.stop_words)

print stopwords1 == stopwords2
print stopwords2 - stopwords1

结果如下所示，

True
set([])
False
set([u'\u6bcf\u4e2a', u'\u8207', u'\u4e86', u'\u4e00\u500b', u'\u800c', u'\u4ed6\u5011', u'\u6216', u'\u7684', u'\u4e00\u4e2a', u'\u662f', u'\u5c31', u'\u4f60\u5011', u'\u5979\u5011', u'\u6c92\u6709', u'\u57fa\u672c', u'\u59b3\u5011', u'\u53ca', u'\u548c', u'\u8457', u'\u6211\u5011', u'\u662f\u5426', u'\u90fd'])

说明：

• 没有加载用户提供的停用词集合之前，停用词集合就是类KeywordExtractor中的STOP_WORDS拷贝过来的；
• 加载用户提供的停用词集合之后，停用词集合在原有的基础上进行了扩展；

证明了我们的想法。

 

3.5 JIEBA情感分析

 

未完待续。

 

 

 

参考：

1、python jieba分词(结巴分词)、提取词，加载词，修改词频，定义词库：[置顶] python jieba分词(结巴分词)、提取词，加载词，修改词频，定义词库http://blog.csdn.net/hhtnan/article/details/76586693

2、http://blog.csdn.net/suibianshen2012/article/details/68927060

3、http://blog.csdn.net/suibianshen2012/article/details/68927060