分类算法评价

python爬取网站数据

 

开学前接了一个任务，内容是从网上爬取特定属性的数据。正好之前学了python，练练手。

编码问题

因为涉及到中文，所以必然地涉及到了编码的问题，这一次借这个机会算是彻底搞清楚了。

问题要从文字的编码讲起。原本的英文编码只有0~255，刚好是8位1个字节。为了表示各种不同的语言，自然要进行扩充。中文的话有GB系列。可能还听说过Unicode和UTF-8，那么，它们之间是什么关系呢？

Unicode是一种编码方案，又称万国码，可见其包含之广。但是具体存储到计算机上，并不用这种编码，可以说它起着一个中间人的作用。你可以再把Unicode编码(encode)为UTF-8，或者GB，再存储到计算机上。UTF-8或者GB也可以进行解码(decode)还原为Unicode。

在python中Unicode是一类对象，表现为以u打头的，比如u'中文'，而string又是一类对象，是在具体编码方式下的实际存在计算机上的字符串。比如utf-8编码下的'中文'和gbk编码下的'中文'，并不相同。可以看如下代码：

>>> str = u '中文'
>>> str1 = str .encode( 'utf8' )
>>> str2 = str .encode( 'gbk' )
>>> print repr ( str )
u '\u4e2d\u6587'
>>> print repr (str1)
'\xe4\xb8\xad\xe6\x96\x87'
>>> print repr (str2)
'\xd6\xd0\xce\xc4'

可以看到，其实存储在计算机中的只是这样的编码，而不是一个一个的汉字，在print的时候要知道当时是用的什么样的编码方式，才能正确的print出来。有一个说法提得很好，python中的Unicode才是真正的字符串，而string是字节串

文件编码

既然有不同的编码，那么如果在代码文件中直接写string的话，那么它到底是哪一种编码呢？这个就是由文件的编码所决定的。文件总是以一定的编码方式保存的。而python文件可以写上coding的声明语句，用来说明这个文件是用什么编码方式保存的。如果声明的编码方式和实际保存的编码方式不一致就会出现异常。可以见下面例子： 以utf-8保存的文件声明为gbk

#coding:gbk
str = u '汉'
str1 = str .encode( 'utf8' )
str2 = str .encode( 'gbk' )
str3 = '汉'
print repr ( str )
print repr (str1)
print repr (str2)
print repr (str3)

提示错误 File "test.py", line 1 SyntaxError: Non-ASCII character '\xe6' in file test.py on line 1, but no encodi ng declared; see http://www.python.org/peps/pep-0263.html for details 改为

#coding:utf8
str = u '汉'
str1 = str .encode( 'utf8' )
str2 = str .encode( 'gbk' )
str3 = '汉'
print repr ( str )
print repr (str1)
print repr (str2)
print repr (str3)

输出正常结果 u'\u6c49' '\xe6\xb1\x89' '\xba\xba' '\xe6\xb1\x89'

更多内容可参见这篇文章http://www.cnblogs.com/huxi/archive/2010/12/05/1897271.html

基本方法

其实用python爬取网页很简单，只有简单的几句话

import urllib2
page = urllib2.urlopen( 'url' ).read()

这样就可以获得到页面的内容。接下来再用正则匹配去匹配所需要的内容就行了。

但是，真正要做起来，就会有各种各样的细节问题。

登录

这是一个需要登录认证的网站。也不太难，只要导入cookielib和urllib库就行。

import urllib,urllib2,cookielib
cookiejar = cookielib.CookieJar()
urlOpener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookiejar))

这样就装载进一个cookie，用urlOpener去open登录以后就可以记住信息。

断线重连

如果只是做到上面的程度，不对open进行包装的话，只要网络状况有些起伏，就直接抛出异常，退出整个程序，是个很不好的程序。这个时候，只要对异常进行处理，多试几次就行了：

def multi_open(opener, * arg):
    while True :
        retryTimes = 20
        while retryTimes> 0 :
            try :
                return opener. open ( * arg)
            except :
                print '.' ,
                retryTimes - = 1

正则匹配

其实正则匹配并不算是一个特别好的方法，因为它的容错性很不好，网页要完全统一。如果有稍微的不统一，就会失败。后来看到说有根据xpath来进行选取的，下次可以尝试一下。

写正则其实是有一定技巧的：

• 非贪婪匹配。比如这样一个标签：<span class='a'>hello</span>，要取出a来，如果写成这样的表达式，就不行了：<span class=.*>hello</span>。因为*进行了贪婪匹配。这是要用.?：<span class=.?>hello</span>。
• 跨行匹配。实现跨行有一种思路是运用DOTALL标志位，这样.就会匹配到换行。但是这样一来，整个匹配过程就会变得很慢。本来的匹配是以行为单位的。整个过程最多就是O(nc²)，n是行数，c是平均列数。现在极有可能变为O((nc)²)。我的实现方案是运用\n来匹配换行，这样可以明确指出匹配最多跨跃多少行。比如：abc\s*\n\s*def，就指出查找的是隔一行的。(.\n)?就可以指定是匹配尽可能少的行。
• 这里其实还要注意一个点。有的行末是带有\r的。也就是说一行是以\r\n结尾的。当初不知道这一点，正则就调试了很久。现在直接用\s，表示行末空格和\r。
• 无捕获分组。为了不对捕获的分组造成影响，上面的(.\n)可以改为(?:.\n)，这样捕获分组时，就会忽略它。
• 单括号要进行转义。因为单括号在正则里是用来表示分组的，所以为了匹配单括号就进行转义。正则字符串最好用的是带有r前缀的字符串，如果不是的话，则要对\再进行转义。
• 快速正则。写了那么多模式，也总结出一规律出来。先把要匹配的字符相关的段落拿出来。要匹配的东西用(.?)代替。把换行\n替换为字符串\s\n\s*，再去掉行首行末的空格。整个过程在vim中可以很快就写好。

Excel操作

这次的数据是放进Excel的。到后面才意识到如果放进数据库的话，可能就没有那么多事了。但是已经写到一半，难以回头了。

搜索Excel，可以得出几个方案来，一个是用xlrt/xlwt库，这个不管电脑上是否安装了Excel，都可以运行，但只能是xls格式的。还有一个是直接包装了com，需要电脑上安装了软件才行。我采用的是前一种。

基本的读写没有问题。但是数据量一大起来，就有问题了。

• 内存不够。程序一跑起来，内存占用就一点一点往上涨。后面再查了一下，知道要用flush_row_data。但是还是会出错。一看内存占用，没有什么问题，一直很平稳。但最后还是会出现memory error。这真是见鬼了。又是反复地查， 反复地运行。一点结果都没有。要命的是bug只在数据量大起来才出现，而等数据量大起来往往要好几个小时，这debug的成本实在是太高了。一个偶然的机会，突然发现内存占用，虽然总体平稳，但是会规律性的出现小的高涨，而这规律性，会不会和flush_row_data，有关。一直疑惑的是data被flush到了哪里。原来xlwt的作法是很蛋疼的作法。把数据存在内存里，或者flush到一个temp，到save的时候，再一次性写入。而问题正出在这一次性写入，内存猛涨。那我要flush_row_data何用？为什么不一开始就flush进要写入的地方。
• 行数限制。这个是xls格式本身决定的，最多行数只能是65536。而且数据一大，文件打开也不方便。

结合以上两点，最终采取了这么一个策略，如果行数是1000的倍数，进行一次flush，如果行数超过65536，新开一个sheet，如果超过3个sheet，则新建一个文件。为了方便，把xlwt包装了一下

#coding:utf-8#
import xlwt

class XLS:
    '''a class wrap the xlwt'''
    MAX_ROW = 65536
    MAX_SHEET_NUM = 3

    def __init__( self ,name,captionList,typeList,encoding = 'utf8' ,flushBound = 1000 ):
        self .name = name
        self .captionList = captionList[:]
        self .typeList = typeList[:]
        self .workbookIndex = 1
        self .encoding = encoding
        self .wb = xlwt.Workbook(encoding = self .encoding)
        self .sheetIndex = 1
        self .__addSheet()
        self .flushBound = flushBound

    def __addSheet( self ):
        if self .sheetIndex ! = 1 :
            self .wb.save( self .name + str ( self .workbookIndex) + '.xls' )
        if self .sheetIndex>XLS.MAX_SHEET_NUM:
            self .workbookIndex + = 1
            self .wb = xlwt.Workbook(encoding = self .encoding)
            self .sheetIndex = 1

        self .sheet = self .wb.add_sheet( self .name.encode( self .encoding) + str ( self .sheetIndex))
        for i in range ( len ( self .captionList)):
            self .sheet.write( 0 ,i, self .captionList[i])

        self .row = 1

    def write( self ,data):
        if self .row> = XLS.MAX_ROW:
            self .sheetIndex + = 1
            self .__addSheet()

        for i in range ( len (data)):
            if self .typeList[i] = = "num" :
                try :
                    self .sheet.write( self .row,i, float (data[i]))
                except ValueError:
                    pass
            else :
                self .sheet.write( self .row,i,data[i])

        if self .row % self .flushBound = = 0 :
            self .sheet.flush_row_data()
        self .row + = 1

    def save( self ):
        self .wb.save( self .name + str ( self .workbookIndex) + '.xls' )

转换网页特殊字符

由于网页也有自己独特的转义字符，在进行正则匹配的时候就有些麻烦。在官方文档中查到一个用字典替换的方案，私以为不错，拿来做了一些扩充。其中有一些是为保持正则的正确性。

html_escape_table = {
    "&" : "&" ,
    '"' : """,
    "'" : "'" ,
    ">" : ">" ,
    "<" : "&lt;" ,
    u "·" : "&#183;" ,
    u "°" : "&#176;" ,
    #regular expression
    "." :r "\." ,
    "^" :r "\^" ,
    "$" :r "\$" ,
    "{" :r "\{" ,
    "}" :r "\}" ,
    "\\":r" \\",
    "|" :r "\|" ,
    "(" :r "\(" ,
    ")" :r "\)" ,
    "+" :r "\+" ,
    "*" :r "\*" ,
    "?" :r "\?" ,
}

def html_escape(text):
    """Produce entities within text."""
    tmp = "".join(html_escape_table.get(c,c) for c in text)
    return tmp.encode( "utf-8" )

结

得出的经验差不多就是这些了。不过最后写出来的程序自已也不忍再看。风格很不好。一开始想着先写着试试。然后试着试着就不想改了。

最终的程序要跑很久，其中网络通信时间占了大部分。是不是可以考虑用多线程重构一下？想想，还是就这样吧。

 

分类算法评价

 

一、引言

　　分类算法有很多，不同分分类算法又用很多不同的变种。不同的分类算法有不同的特定，在不同的数据集上表现的效果也不同，我们需要根据特定的任务进行算法的选择，如何选择分类，如何评价一个分类算法的好坏，前面关于决策树的介绍，我们主要用的正确率（accuracy）来评价分类算法。

　　正确率确实是一个很好很直观的评价指标，但是有时候正确率高并不能代表一个算法就好。比如某个地区某天地震的预测，假设我们有一堆的特征作为地震分类的属性，类别只有两个：0：不发生地震、1：发生地震。一个不加思考的分类器，对每一个测试用例都将类别划分为0，那那么它就可能达到99%的正确率，但真的地震来临时，这个分类器毫无察觉，这个人类带来的损失是巨大的。为什么99%的正确率的分类器却不是我们想要的，因为这里数据分布不均衡，类别1的数据太少，完全错分类别1依然可以达到很高的正确率却忽视了我们关注的东西。接下来详细介绍一下分类算法的评价指标。

二、评价指标

　　1、几个常用的术语

　　这里首先介绍几个常见的模型评价术语，现在假设我们的分类目标只有两类，计为正例（positive）和负例（negtive）分别是：

　　1）True positives(TP):  被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；

　　2）False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；

　　3）False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；

　　4）True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。　　

 

实 际 类 别	预测类别
		Yes	No	总计
	Yes	TP	FN	P（实际为Yes）
	No	FP	TN	N（实际为No）
	总计	P’（被分为Yes）	N’（被分为No）	P+N

　　上图是这四个术语的混淆矩阵，我只知道FP叫伪阳率，其他的怎么称呼就不详了。注意P=TP+FN表示实际为正例的样本个数，我曾经误以为实际为正例的样本数应该为TP+FP，这里只要记住True、False描述的是分类器是否判断正确，Positive、Negative是分类器的分类结果。如果正例计为1、负例计为-1，即positive=1、negtive=-1，用1表示True，-1表示False，那么实际的类标=TF*PN，TF为true或false，PN为positive或negtive。例如True positives(TP)的实际类标=1*1=1为正例，False positives(FP)的实际类标=（-1）*1=-1为负例，False negatives(FN)的实际类标=（-1）*（-1）=1为正例，True negatives(TN)的实际类标=1*（-1）=-1为负例。

　　2、评价指标

　　1）正确率（accuracy）

　　正确率是我们最常见的评价指标，accuracy = （TP+TN）/(P+N)，这个很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好；

　　2）错误率（error rate)

　　错误率则与正确率相反，描述被分类器错分的比例，error rate = (FP+FN)/(P+N)，对某一个实例来说，分对与分错是互斥事件，所以accuracy =1 -  error rate；

　　3）灵敏度（sensitive）

　　sensitive = TP/P，表示的是所有正例中被分对的比例，衡量了分类器对正例的识别能力；

　　4）特效度（specificity)

　　specificity = TN/N，表示的是所有负例中被分对的比例，衡量了分类器对负例的识别能力；

　　5）精度（precision）

　　精度是精确性的度量，表示被分为正例的示例中实际为正例的比例，precision=TP/（TP+FP）；

　　6）召回率（recall）

　　召回率是覆盖面的度量，度量有多个正例被分为正例，recall=TP/(TP+FN)=TP/P=sensitive，可以看到召回率与灵敏度是一样的。

　　7）其他评价指标

• 计算速度：分类器训练和预测需要的时间；
• 鲁棒性：处理缺失值和异常值的能力；
• 可扩展性：处理大数据集的能力；
• 可解释性：分类器的预测标准的可理解性，像决策树产生的规则就是很容易理解的，而神经网络的一堆参数就不好理解，我们只好把它看成一个黑盒子。

　　对于某个具体的分类器而言，我们不可能同时提高所有上面介绍的指标，当然，如果一个分类器能正确分对所有的实例，那么各项指标都已经达到最优，但这样的分类器往往不存在。比如我们开头说的地震预测，没有谁能准确预测地震的发生，但我们能容忍一定程度的误报，假设1000次预测中，有5次预测为发现地震，其中一次真的发生了地震，而其他4次为误报，那么正确率从原来的999/1000-99.9%下降到996/1000=99.6，但召回率从0/1=0%上升为1/1=100%，这样虽然谎报了几次地震，但真的地震来临时，我们没有错过，这样的分类器才是我们想要的，在一定正确率的前提下，我们要求分类器的召回率尽可能的高。　　

　　

 

 

 

 

标签:  数据挖掘

 

标签:  python,  爬虫,  正则,  编码,  excel,  转义,  xlrt,  xlwt