python3 基于Kmeans 文本聚类

聚类常规方法，分一下几步：

• 文本处理，切词、去停用词，文档向量
• 聚类(K值，聚类中心，本节涉及的Kmeans方法中心暂时是随机生成，后面会有更新)

第一部分内容，本人暂不祥说，核心的内容，大概如下把

for line in file.readlines():
    words = jieba.cut(line)
    for word in words:
        # print(word)
        if word not in stopword:
            output.write(word + " ")

接下来是将上述处理过的文档，进行向量化，此处，我选择的是doc2vec，即是document to vector，文档到向量，这个内容涉及内容也比较多，原理也可以不用了解的那么深，会用就可以了，也没有什么关系，

# doc2vec
#训练并保存模型
def open_file():
    corpus = []
    token_path = "res_title_news.txt"
    try:

        with open(token_path, 'r', encoding="utf-8") as t:
            for line in t.readlines():
                corpus.append(line.strip())
        import gensim

        sentences = gensim.models.doc2vec.TaggedLineDocument(token_path)
        model = gensim.models.Doc2Vec(sentences, dm=1, size=200, window=10)
        model.train(sentences, total_examples=model.corpus_count, epochs=100)
        model.save('res_title_news_w2c.txt')
        out = open('res_title_news_vector.txt', 'w')
        for idx, docvec in enumerate(model.docvecs):
            for value in docvec:
                out.write(str(value) + ' ')
            out.write('\n')
    except Exception as e:
        print(e)

open_file()

上面包含模型的训练与保存，会把当中文档向量的部分，放入到res_title_news_vector.txt中，打开这个文本文件之后，你会看到每一篇文档被训练成了200维度的向量。

那么模型训练好之后，接下来的是就是使用模型训练的向量，来完成Kmeans聚类，那么这个聚类是怎么做的尼？

import gensim
from gensim.models.doc2vec import Doc2Vec, LabeledSentence

def test_km():
    model = gensim.models.Doc2Vec.load("res_title_news_vector.txt")#加载模型
    from sklearn.cluster import KMeans
    for k in range(5,20):
        clf = KMeans(n_clusters=k, n_init=20, init='k-means++', n_jobs=4)#n_init选择质心的次数，返回最好的结果
        s = clf.fit(model.docvecs)

        # 20个中心点位置
    #     print(clf.cluster_centers_)

        # 每个样本所属的簇，
        print(clf.labels_)
        i = 1
        while i <= len(clf.labels_):
    #         print(i, clf.labels_[i - 1])
            i = i + 1
        # 每个点，到簇类中心的距离之和，用来评估簇的个数是否合适，距离越小说明簇分的越好，选取临界点的簇个数
        print(clf.inertia_)
test_km() 

这里我进行了多次K值的设定，想重上述的结果中，找到最好的结果。

结果表明当K=12时，效果较好。这个值是根据clf.inertia_（即簇内平方和SSE，每一个样本点到簇中心的距离之和）来确定，即手肘法（此部分，来自实验室成员所写：手肘法的核心思想是：随着聚类数k的增大，样本划分会更加精细，每个簇的聚合程度会逐渐提高，那么误差平方和SSE自然会逐渐变小。并且，当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当k到达真实聚类数时，再增加k所得到的聚合程度回报会迅速变小，所以SSE的下降幅度会骤减，然后随着k值的继续增大而趋于平缓，也就是说SSE和k的关系图是一个手肘的形状，而这个肘部对应的k值就是数据的真实聚类数。当然，这也是该方法被称为手肘法的原因。）

[ 3  8 13 13 11  6 13  0  0  5  3  1  5 13  6  0  0 12  4 15 12  6  1  9  7
  8  8  6  7 12  4 11 11  4  3 15  0  0  5  3  5  4 12  1  4 12 11 10 12 13
 12  4 15  4  4  8 11  0  0  5  3  6 11 11  4  4 13 11 13  0  4 10  4  2  2
  3  3 13  4  4  2 15 12 12 15  9 13  8  3  0 12  6  3  2  0 15 11  2 12 15
  2  8 15 15 15 13  4 10  4  3  3  2 14 12 13 12  4 13  5  5  4 14  3  1 12
  4  1  4  2  3 11 13  2  4 12  6  6  1  1  2  6 11 12 13 13  2 15 11  9 11
 11 15  5  1 15 15 12 15 12 13 15 11 15 11 11  3 15 11 12 15 11 15  5 15 15
 15 15 15 15 11 15 15  5 15 15 15 15  1 15 14 14 14 14 14 14 14 14 14 14 14
 14 14 14 13 14  0 14  6 14 14  6  8  7  6  6  0 14  7  8  6  7  0 14  4  6
  7  0  7  7  6  8  6  3  3  0  2  2  8  8  3  3  6  0  6  0]

得到上述聚类结果后，依然看不出到底聚类效果怎么样，是否把同一主题的文本聚成一类，那么为了方便分析聚类结果，我们将文本所属簇与文本内容，一起展示出来，一探究竟，看看具体属于哪一类？

我们将此拼接成一个【K， text】形式，K即是文本所属的簇，text即是文本；

我们借用以下方法，此处是我测试的一个文本量很小的例子：输出结果是从小到大进行排序的，根据K值进行排序；

import numpy as np
x=np.array([1,0,0,2,2,0])
file = open('cute.txt','r', encoding='utf-8')
data = file.readlines()#同样是一个列表
# print(data[3])
index = x.argsort()#根据指针对x排序，[1,2,5,0,3,4]
print(index)
for i in range(len(index)):
    print(x[index[i]], data[index[i]])

前面的整数是聚类的结果，后面是对应的文本，这样便于获取当前聚类的主题。

当我们获取到每一个簇中的文本，我们可以根据NLP技术，分析每一个簇的主题，或者是根据TFIDF方法，获取每个簇的关键词，根据关键词，进行主题的呈现。

下一章，我将继续写初始化质心的内容，如何设定Kmeans的初始化质心，以提升聚类效果和聚类性能！