实验目的
- 学习如何读取一个文件
- 学习如何使用DataFrame
- 学习jieba中文分词组件及停用词处理原理
- 了解Jupyter Notebook
概念
中文分词
在自然语言处理过程中，为了能更好地处理句子，往往需要把句子拆开分成一个一个的词语，这样能更好的分析句子的特性，这个过程叫就叫做分词。由于中文句子不像英文那样天然自带分隔，并且存在各种各样的词组，从而使中文分词具有一定的难度。
不过，中文分词并不追求完美，而是通过关键字识别技术，抽取句子中最关键的部分，从而达到理解句子的目的。
工具
Jupyter Notebook
Jupyter Notebook是一个交互式的笔记本工具，重点有两点
- “交互式” 让你随时随时运行并暂存结果，
- “笔记本” 记录你的研究过程
想象一下，在这之前你是如何使用Python的？
- 用一切可能的文本编辑工具编写代码
- 然后运行python xxx.py调试
- 当你写了一个9W条数据的处理程序之后，跑到一半报个错，又得重头开始
- 画图基本靠脑补
有了JN之后，你可以：
- 直接在网页上编写代码
- 按Shift + Enter立即执行当前Cell的代码段
- Cell执行后的变量仍然生存，可以在下一个Cell继续使用，所以，我用第一个Cell加载9W条数据，第二个Cell开始预处理，第三个Cell进行运算等等
- 直接在网页上画出图片，即时调整参数Shift+Enter预览，麻麻再也不用担心我写错代码，美滋滋 ~~~
jieba
jieba模块安装请参见官方说明
jieba 是一个python实现的中文分词组件，在中文分词界非常出名，支持简、繁体中文，高级用户还可以加入自定义词典以提高分词的准确率。
它支持三种分词模式
- 精确模式：试图将句子最精确地切开，适合文本分析；
- 全模式：把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
- 搜索引擎模式：在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。
另外它还自带有关键词摘取算法。
- 基于 TF-IDF 算法的关键词抽取
- 基于 TextRank 算法的关键词抽取
pandas
pandas 是基于NumPy 的大数据处理工具，基本数据结构有（二维表）DataFrame,（一维数组）Series。
本次实验中，我们主要使用pandas的DataFrame，加载、保存csv数据源，处理数组进行去重、统计。
数据
实验数据为百度随意打开的新闻，请读者自行按下表格式准备
| id | title | content |
|---|---|---|
| 1 | 文章标题 | 文章内容 |
| 2 | 文章标题 | 文章内容 |
| 3 | 文章标题 | 文章内容 |
思路（伪代码）
- 读取数据源
- 加载停用词库
- 循环对每一篇文章进行分词
- 普通分词，需要手工进行停用词过滤
- TF-IDF关键词抽取，需要使用停用词库
- textrank关键词抽取，只取指定词性的关键词
- 对结果进行词频统计
- 输出结果到csv文件
实验代码
第一行将代码标记为utf-8编码，避免出现处理非ascii字符时的错误
# -*- coding: UTF-8 -*-
载入需要用到的模块，as是给模块取个别名，输入的时候不用输那么长的单词。
嗯，反正你别问我为什么不给jieba取别名
import numpy as np
import pandas as pd
import jieba
import jieba.analyse
import codecs
默认情况下，pd显示的文本长度为50，超出部分显示为省略号，我们修改一下，以方便观察数据（文章内容）
#设置pd的显示长度
pd.set_option('max_colwidth',500)
读取我们的实验数据，将所有列设置为string，编码指定utf-8，第一行为列头
#载入数据
rows=pd.read_csv('datas1.csv', header=0,encoding='utf-8',dtype=str)
我们直接在下一个Cell中输入变量rows，观察载入的结果
对于普通分词，我们需要将停用词载入到一个数组中，在分词后逐一比较关键词是否为停用词
stopwords = [line.strip() for line in codecs.open('stoped.txt', 'r', 'utf-8').readlines()]
对于TF-IDF，我们只需要告诉组件停用词库，它将自己载入词库并使用它
#载入停用词
jieba.analyse.set_stop_words('stoped.txt')
接下来我们就要对所有文章进行分词了，先声明一个数组，用于保存分词后的关键字，此数组每行保存一个关键字对象。
关键字对象有两个属性：
- word: 关键字本身
- count : 永远为1，用于后面统计词频
# 保存全局分词，用于词频统计
segments = []
普通分词及停用词判断
for index, row in rows.iterrows():
content = row[2]
#TextRank 关键词抽取，只获取固定词性
words = jieba.cut(content)
splitedStr = ''
for word in words:
#停用词判断，如果当前的关键词不在停用词库中才进行记录
if word not in stopwords:
# 记录全局分词
segments.append({'word':word, 'count':1})
splitedStr += word + ' '
Text Rank 关键词抽取
for index, row in rows.iterrows():
content = row[2]
#TextRank 关键词抽取，只获取固定词性
words = jieba.analyse.textrank(content, topK=20,withWeight=False,allowPOS=('ns', 'n', 'vn', 'v'))
splitedStr = ''
for word in words:
# 记录全局分词
segments.append({'word':word, 'count':1})
splitedStr += word + ' '
观察分词后的关键字，发现全是utf-8编码后的文字，暂时不管，我们先将这个数组转换为DataFrame对象，调用groupby方法和sum方法进行统计汇总。
# 将结果数组转为df序列
dfSg = pd.DataFrame(segments)
# 词频统计
dfWord = dfSg.groupby('word')['count'].sum()
输出结果
#导出csv
dfWord.to_csv('keywords.csv',encoding='utf-8')
完整代码
# -*- coding: UTF-8 -*-
import numpy as np
import pandas as pd
import jieba
import jieba.analyse
import codecs
#设置pd的显示长度
pd.set_option('max_colwidth',500)
#载入数据
rows=pd.read_csv('datas1.csv', header=0,encoding='utf-8',dtype=str)
segments = []
for index, row in rows.iterrows():
content = row[2]
#TextRank 关键词抽取，只获取固定词性
words = jieba.analyse.textrank(content, topK=50,withWeight=False,allowPOS=('ns', 'n', 'vn', 'v'))
splitedStr = ''
for word in words:
# 记录全局分词
segments.append({'word':word, 'count':1})
splitedStr += word + ' '
dfSg = pd.DataFrame(segments)
# 词频统计
dfWord = dfSg.groupby('word')['count'].sum()
#导出csv
dfWord.to_csv('keywords.csv',encoding='utf-8')
总结
分词算法
本次实验，我们学习了如何使用jieba模块进行中文分词与关键字提取，结果各有千秋:
- 普通分词：需要手工过滤停用词、无意义词、电话号码、符号等，但能较为全面的保留所有关键字。
- TF-IDF：停用词过滤有限，也需要手工处理部分数字、符号；它通过词频抽取关键字，对同一篇文章的词频统计不具有统计意义，多用于宏观上的观测。
- Text Rank: 大概效果同TF-IDF，通过限定词性过滤无关字符，能得到较为工整的关键字结果。
结论
总之，我们应根据我们的目标去选择适当的分词方法。
- 对某一篇文章进行关键字Map，我们选择普通分词，并自行过滤关键词，或添加自定义词库。
- 对采集的一批样本进行关键字分析，我们可以选择TF-IDF，对所有的关键字进行词频统计，并绘制出关键字云图。
- 如果我们要分析一批样本中用户的分类，用户的行为，用户的目的，我们可以选择TextRank抽取指定词性的关键字进行统计分析。
引用
jieba 开源仓库 https://github.com/fxsjy/jieba
下期预告
Python大数据：商品评论的情感倾向分析