在这篇文章中，我将介绍用于Latent Dirichlet Allocation（LDA）的lda Python包的安装和基本用法。我不会在这篇文章中介绍该方法的理论基础。然而，这个模型的主要参考，Blei etal 2003可以在线免费获得，我认为将语料库（文档集）中的文档分配给基于单词矢量的潜在（隐藏）主题的主要思想是相当容易理解的而这个例子（来自lda）将有助于巩固我们对LDA模型的理解。那么，让我们开始......
安装lda
在之前的帖子中，我介绍了使用pip和 virtualenwrapper安装Python包，请参阅帖子了解更多详细信息：
- 在Ubuntu 14.04上安装Python包
- 在Ubuntu 14.04上的virtualenv和virtualenvwrapper
简而言之，我将提到两种方法：
- 方法1：
我将以用户身份安装lda
$ pip install --user lda
这也将安装所需的pbr包。现在我将 在一个设置中提供lda，其中包含我之前安装的所有其他软件包（再次参见上文）。使用此方法，您应该在安装后得到类似的内容：
$ pip show lda
---
名称：lda
版本：0.3.2
位置：/home/cstrelioff/.local/lib/python2.7/site-packages
需要：pbr，numpy
我已经安装了numpy，因此没有修改。
- 方法2：
如果你想为lda建立一个完全孤立的环境，你可以使用virtualenv（我将使用virualenvwraper，如上面列出的帖子中所述）。请注意，如果您选择此方法，将下载并编译numpy。在这种情况下的安装将是这样的：
$ mkvirtualenv lda_env
lda_env / bin / python中的新python可执行文件
安装setuptools，pip ... done。
（lda_env）〜$ pip安装lda
..很多numpy编译...
在这种情况下，pip将在为virtualenvs指定的位置显示安装。对我来说，这看起来像：
（lda_env）$ pip show lda
---
名称：lda
版本：0.3.2
位置：/home/cstrelioff/virtenvs/lda_env/lib/python2.7/site-packages
需要：pbr，numpy
请注意，该位置与方法1不同。
所以，就是这样，lda已经安装好了。让我们一起完成随包提供的示例。
一个例子
lda github存储库中的示例查看路透社新闻发布的语料库 - 让我们复制一下并添加一些细节以更好地了解正在发生的事情。此要点提供了一个包含所有要遵循的代码的脚本，名为 ex002_lda.py。首先，我们做一些导入：
import numpy as np
import lda
import lda.datasets
接下来，我们导入用于示例的数据。这包含在 lda包中，因此这一步很简单（我还打印出每个项目的数据类型和大小）：
从上面我们可以看到有395个新闻项目（文档）和一个大小为4258的词汇表。文档术语矩阵X具有395个词汇表中每个4258个词汇单词的出现次数。文档。例如，X [0,3117]是单词3117在文档0中出现的次数。我们可以找出计数和与之对应的单词（让我们也得到文档标题）：
doc_id = 0
word_id = 3117
print （“doc id：{} word id：{}” 。format （doc_id ， word_id ））
print （“ - count：{}” 。format （X [ doc_id ， word_id ]））
print （“ - word：{}” 。format （vocab [ word_id ]））
print （“ - doc：{}” 。format （titles [ doc_id ]））
doc id ： 0 word id ： 3117
- count ： 2
- word ： heir - to - the - throne
- doc ： 0 英国： 查尔斯王子 率先引领英国皇室革命。伦敦1996 - 08 - 20
当然我们应该期望X 矩阵中有很多零 - 我选择这个例子来获得非零结果。
选择模型
接下来，我们初始化并拟合LDA模型。要做到这一点，我们必须选择主题的数量（其他方法也可以尝试查找主题的数量，但对于LDA，我们必须假设一个数字）。继续我们选择的示例：
model = lda 。LDA （n_topics = 20 ， n_iter = 500 ， random_state = 1 ）
先前有几个参数我们保留默认值。据我所知，这只使用对称先验 - 我将不得不更多地研究它（参见Wallach etal 2009讨论这个问题）。
主题字
从拟合模型中我们可以看到主题词概率：
从输出的大小我们可以看出，对于20个主题中的每一个，我们在词汇表中分配了4258个单词。对于每个主题，应该对单词的概率进行标准化。我们来看看前5：
for n in range （5 ）：
sum_pr = sum （topic_word [ n ，：]）
print （“topic：{} sum：{}” 。format （n ， sum_pr ））
话题： 0 总和： 1.0
主题： 1 总和： 1.0
主题： 2 总和： 1.0
主题： 3 总和： 1.0
主题： 4 总和： 1.0
我们还可以获得每个主题的前5个单词（按概率）：
versace 迈阿密 cunanan
* 主题 6
- 德国 德国 战争 政治 政府
* 主题 7
- 哈里曼 你。小号 克林顿 丘吉尔 大使
* 主题 8
- 叶利钦 的俄罗斯 俄罗斯 总统 克里姆林宫
* 主题 9
- 王子 女王 鲍尔斯 教会 王
* 主题 10
- 辛普森 亿 年前 南
- bernardin 红衣主教 癌症 教会 生活
* 主题 17
- 死于 丧葬 教会 城市 死亡
* 主题 18
- 博物馆 肯尼迪 文化 城市 文化
* 主题 19
- 艺术 展 世纪 城市 之旅
这让我们了解了20个主题可能意味着什么 - 你能看到模式吗？
文档主题
我们从模型中获得的其他信息是文档主题概率：
doc_topic = model 。doc_topic_
查看输出的大小，我们可以看到395个文档中的每个文档都有20个主题的分布。这些应该针对每个文档进行标准化，让我们测试前5个：
for n in range （5 ）：
sum_pr = sum （doc_topic [ n ，：]）
print （“document：{} sum：{}” 。format （n ， sum_pr ））
文件： 0 总和： 1.0
文件： 1 总和： 1.0
文件： 2 总和： 1.0
文件： 3 总和： 1.0
文件： 4 总和： 1.0
使用新故事的标题，我们可以对最可能的主题进行抽样：
for n in range （10 ）：
topic_most_pr = doc_topic [ n ] 。argmax （）
print （“doc：{} topic：{} \ n {} ...” 。format （n ，
topic_most_pr ，
titles [ n ] [：50 ]））
DOC ： 0 话题： 11
0 UK ： 王子 查尔斯 的先头部队 英国 皇家 雷沃...
DOC ： 1个 话题： 0
1 德国： 历史的 德累斯顿 教堂 上升 ，从 二战...
DOC ： 2 话题： 15
2 印度： 母亲 修女的身体状况说仍然不合适...
doc ： 3 话题： 11
3 英国： 宫 警告 英国 每周 超过 查尔斯 PIC ...
DOC ： 4 话题： 15
4 INDIA ： 母亲 邓丽君， 略 强， 祝福...
DOC ： 5 话题： 15
5 印度： 母亲 邓丽君的条件不变，你...
商务部： 6 话题： 15
6 印度： 母亲 特雷莎 节目 招牌 的 实力， BL ...
DOC ： 7 主题： 15
7 印度： 母亲 修女的病情好转，许多...
DOC ： 8 主题： 15
8 INDIA ： 母亲 特雷莎 提高， 修女 祈祷 为 “米...
DOC ： 9 话题： 0
9 UK ： 查尔斯 下 火 了 前景 的 女王 Ca ...
看起来很不错，除了主题0-文档1和9应该被赋予相同的主题吗？看起来不像。
可视化
最后，让我们想象一下这些发行版。为此，我将使用matplotlib - 如果您需要安装帮助，可以查看我以前的帖子（上图）。
首先，我们导入matplotlib并设置样式：
接下来，让我们看看一些主题词分布是什么样的。这里的想法是每个主题应该有一个独特的单词分布。在下面的词干图中，每个词干的高度反映了焦点主题中单词的概率：
plt 。tight_layout （）
plt 。show （）
最后，让我们看一下几个文档的主题分布。这些分布给出了每个文档的20个主题中每个主题的概率。我只会画一些：
plt 。tight_layout （）
plt 。show （）
绘制上述文档的主题分布提供了一个重要的见解：许多文档具有多个概率很高的主题。因此，选择每个文档概率最高的主题可能会受到不确定性的影响; 自我注意：小心。在比较两份文件时，是否应考虑完全分配主题？