12.朴素贝叶斯-垃圾邮件分类

1. 读邮件数据集文件，提取邮件本身与标签。

 

数据集下载：

http://archive.ics.uci.edu/ml/datasets/SMS+Spam+Collection

 

 

 

列表

numpy数组

2.邮件预处理

• 邮件分句
• 名子分词
• 去掉过短的单词
• 词性还原
• 连接成字符串

•  传统方法来实现

import csv
import string
import collections
import pandas as pd
def preprocessing(str):
    seq = string.punctuation  # string.punctuation 是python内置的标点符号的合集
    exclude = ['the', 'end','you', 'in','is','and','to','how','my']  # 定义去除意义不大的词
    biglist = []  # 分词列表
    bigdict = {}  # 分词字典
    str=str.lower()
    print(str)
    # 去除符号
    for ch in seq:
        str = str.replace(ch, '')  # 用空格代替去掉的符号
    # 分词
    biglist.append(str.split())  # 使用空格进行切割
    # 去掉长度为一的单词
    for i in biglist[0]:
        if (len(i) == 1):
            biglist[0].remove(i)
    # # 去掉无意义词列表
    for i in biglist[0]:
        for exc in exclude:
            if (i == exc):
                biglist[0].remove(i)
    bigdict = collections.Counter(biglist[0])  # 统计词频
    # 统计词频,字典
    # for word in  biglist[0]:
    #     if word not in bigdict:
    #         bigdict[word] = 1
    #     else:
    #         bigdict[word] = bigdict[word] + 1
    # # 除去无意义词{字典}
    # for exc in exclude:
    #     if(exc in bigdict):
    #        bigdict.pop(exc)
    bigitems = bigdict.items()
    d_order = sorted(bigitems, key=lambda x: x[1], reverse=True)  # 按bigitems字典集合中，每一个元组的第二个元素排列， x相当于字典集合中遍历出来的一个元组。
    # print(d_order)
    return d_order[:10]

if __name__ == '__main__':
    # 打开文件
    sms=open('E:\mypycharm/venv/data/SMSSpamCollection','r',encoding='utf-8')
    sms_type=[]  # 邮件类型
    sms_Con=[]  # 邮件内容
    # 读csv文件
    sms_csv=csv.reader(sms,delimiter='\t') # tab作为分隔符
    for line in sms_csv:
        sms_type.append(line[0])
        sms_Con.append(preprocessing(line[1]))
        # print(sms_Con)
    # 关闭文件
    sms.close()
    # 转成dataframe
    data1 = pd.DataFrame(sms_type)
    data2 = pd.DataFrame(sms_Con)
    result= pd.concat([data1, data2], axis=1, join='outer')  #横向合并，outer取并集
    # 修改列名
    result.columns = ['邮件类型','1','2','3','4','5','6','7','8','9','10']
    # 保存文件
    result.to_csv('test.csv', header=True, index=False, mode='a+')

　词频统计次数前十的结果：

　

 

•  nltk库的安装与使用

命令行中输入pip install nltk

 

可选择以下三种办法完成安装

（1）

import nltk

nltk.download()     # sever地址改成 http://www.nltk.org/nltk_data/

（2）

https://github.com/nltk/nltk_data下载gh-pages分支，里面的Packages就是我们要的资源。

将Packages文件夹改名为nltk_data。

（3）

网盘链接：https://pan.baidu.com/s/1iJGCrz4fW3uYpuquB5jbew    提取码：o5ea

放在用户目录。

通过https://github.com/nltk/nltk_data下载好数据后将Packages文件夹改名为nltk_data将它放在任一工作目录下D:\Python37\Lib\nltk_data

 

 

 

 

 

进入tokenizers里将punkt压缩包解压到当前目录

 

 

 

 

----------------------------------

安装完成，通过下述命令可查看nltk版本：

import nltk
print nltk.__doc__

2.1 nltk库 分词

nltk.sent_tokenize(text) #对文本按照句子进行分割

nltk.word_tokenize(sent) #对句子进行分词

2.2 punkt 停用词

from nltk.corpus import stopwords

stops=stopwords.words('english')

*如果提示需要下载punkt

nltk.download(‘punkt’)

或 下载punkt.zip

https://pan.baidu.com/s/1OwLB0O8fBWkdLx8VJ-9uNQ  密码：mema

复制到对应的失败的目录C:\Users\Administrator\AppData\Roaming\nltk_data\tokenizers并解压。

 

2.3 NLTK 词性标注

nltk.pos_tag(tokens)

2.4 Lemmatisation（词性还原）

from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()

lemmatizer.lemmatize('leaves') #缺省名词

lemmatizer.lemmatize('best',pos='a')

lemmatizer.lemmatize('made',pos='v')

一般先要分词、词性标注，再按词性做词性还原。

2.5 编写预处理函数

def preprocessing(text):

sms_data.append(preprocessing(line[1])) #对每封邮件做预处理

import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
import csv
import pandas as pd
import string

# 邮件预处理
def preprocessing(text):
    text=text.lower()  #将大学字符转成小写字符
    seq = string.punctuation  # string.punctuation 是python内置的标点符号的合集
    # 去除符号
    for ch in seq:
        text = text.replace(ch, '')  # 用空格代替去掉的符号
    tokens = []  # 定义一个空列表
    # 分词
    for set in nltk.sent_tokenize(text):  # 分句
        for word in nltk.word_tokenize(set):  # 分词
            tokens.append(word)  # 将分词结果追加进列表
    # 效果等同于
    # tokens = [word for sent in nltk.sent_tokenize(text)  # 对文本按照句子进行分割
    #               for word in nltk.word_tokenize(sent)]  # 对句子进行分词
    # print('去除停用词前列表长度', len(tokens))
    # 去除停用词
    stops = stopwords.words("english")  # 获取停用词
    tokens = [token for token in tokens if token not in stops]
    # print('去除停用词后列表长度', len(tokens))
    # 查看词性词性
    nltk.pos_tag(tokens)
    # 还原词性
    lemmatizer = WordNetLemmatizer()  # 定义还原对象
    tokens = [lemmatizer.lemmatize(token, pos='n') for token in tokens]  # 还原成名词
    tokens = [lemmatizer.lemmatize(token, pos='v') for token in tokens]  # 还原成动词
    tokens = [lemmatizer.lemmatize(token, pos='a') for token in tokens]  # 还原成形容词
    return tokens
if __name__ == '__main__':
    sms=open('E:\mypycharm/venv/data/SMSSpamCollection','r',encoding='utf-8')
    sms_type=[]  # 邮件类型
    sms_Con=[]  # 邮件内容
    sms_con=[]  # 邮件内容
    # 读csv文件
    sms_csv=csv.reader(sms,delimiter='\t') # tab作为分隔符

    for line in sms_csv:
        # print(line)
        sms_type.append(line[0])
        sms_Con.append(preprocessing(line[1]))
    # print(sms_Con)
    sms.close()
    data1 = pd.DataFrame(sms_type)
    data2 = pd.DataFrame(sms_Con)
    result = pd.concat([data1, data2], axis=1, join='outer')  # 横向合并，outer取并集
    pd.set_option('display.max_columns', 15)  # 设置显示的最大列数参数
    pd.set_option('display.max_rows', 100)    # 设置显示的最大的行数参数
    pd.set_option('display.width', 500)       # 设置的显示的宽度，防止轻易换行
    print("邮件类型,邮件单词如下")
    print(result)

处理好的结果如下

 

 

3. 训练集与测试集

4. 词向量

5. 模型