利用Python进行文本分析
原文地址:
http://blog.sina.com.cn/s/blog_727a704c0102vn44.html
使用Python 进行简单文本类数据分析,包括:
- 分词
- 生成语料库,tfidf加权
- lda主题提取模型
- 词向量化word2vec
参考:
http://zhuanlan.zhihu.com/textmining-experience/1963076
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import MySQLdb
import pandas as pd
import pandas.io.sql as sql
import jieba
import nltk
import jieba.posseg as pseg
from gensim import corpora, models, similarities
import re
# import logging
# logging.basicConfig(format='%(asctime)s: %(levelname)s: %(message)s',level=logging.INGO)
# reload(sys)
# sys.setdefaultencoding('utf-8')
if __name__ == '__main__':
#用户词典导入
jieba.load_userdict("F:\userdict.txt")
#1. 读取数据
conn = MySQLdb.connect(host='', port=3306, charset='utf8',user='', passwd='', db='')
df = sql.read_sql('select * from test',conn)
conn.close()
cont = df['commcont']
#示例数据(电商评论):
0 标签:洗衣机不错操作简单全自动不错心得:洗衣机很满意!洗宝宝衣服的~!小巧方便~!!
1 标签:洗衣时间短脱水声音小脱水很好噪音很小操作简单心得:比超市便宜,挺好用的,床单也可以洗。
2 标签:脱水很好脱水声音小洗衣效果好心得:质量、设计都非常好,外观也很漂亮。很满意。要注意这款...
3 标签:洗衣干净动力足洗衣效果好心得:比较小巧,非常不错,大品牌有保障!!!
4 心得:很适合家庭使用小件的衣物及时就洗出来了方便
5 标签:洗衣机不错操作简单心得:非常不错的洗衣机,价格也还不错,支持京东!
6 标签:脱水很好操作简单心得:给儿子买的脱水用,还不错~~~~~~~~~
7 心得:很好的烘干机,已经用了
8 标签:操作简单心得:说是防缠绕,不知道是怎么个防缠绕法,脱水声音超大,像是在撞墙一样版本:6...
9 标签:全自动不错心得:买来送长辈的,还没用,看起来还可以版本:6.5公斤
# 2. 简单过滤某些特定词
pattern = ur'标签|心得'
regx = re.compile(pattern)
r = lambda x: regx.sub('',x)
filtercont = cont.map(r)
# 分词+选词
nwordall = []
for t in cont:
words =pseg.cut(t)
nword = ['']
for w in words:
if((w.flag == 'n'or w.flag == 'v' or w.flag == 'a') and len(w.word)>1):
nword.append(w.word)
nwordall.append(nword)
# 3. 选择后的词生成字典
dictionary = corpora.Dictionary(nwordall)
#print dictionary.token2id
# 生成语料库
corpus = [dictionary.doc2bow(text) for text in nwordall]
#tfidf加权
tfidf = models.TfidfModel(corpus)
# print tfidf.dfsx
# print tfidf.idf
corpus_tfidf = tfidf[corpus]
# for doc in corpus_tfidf:
# print doc
# 4. 主题模型lda,可用于降维
#lda流式数据建模计算,每块10000条记录,提取50个主题
lda = models.ldamodel.LdaModel(corpus=corpus_tfidf, id2word=dictionary, num_topics=50, update_every=1, chunksize=10000, passes=1)
for i in range(0,3):
print lda.print_topics(i)[0]
#lda全部数据建模,提取100个主题
#lda = models.ldamodel.LdaModel(corpus=corpus_tfidf, id2word=dictionary, num_topics=100, update_every=0, passes=20)
#利用原模型预测新文本主题
# doc_lda = lda[corpus_tfidf]
#提取出的前3个主题的结果:
0.028*算轻 + 0.028*操作 + 0.027*噪音 + 0.026*不久 + 0.025*送货 + 0.025*很好 + 0.024*牌子 + 0.022*简单 + 0.021*很小 + 0.020*评价
0.047*脱水 + 0.035*声音 + 0.034*性价比 + 0.031*起来 + 0.026*经典 + 0.025*不错 + 0.024*希望 + 0.022*知道 + 0.020*喜欢 + 0.020*问题
0.056*不用 + 0.032*代买 + 0.029*次数 + 0.024*冻手 + 0.023*稍差 + 0.022*优点 + 0.022*地方 + 0.021*缺点 + 0.020*面板 + 0.019*送货
#5. word2vec 词向量化,可用于比较词相似度,寻找对应关系,词聚类
#sentences = models.word2vec.LineSentence(nwordall)
#size为词向量维度数,windows窗口范围,min_count频数小于5的词忽略,workers是线程数
model = models.word2vec.Word2Vec(nwordall, size=100, window=5, min_count=5, workers=4)
#model.save("F:\word2vecmodels") 建模速度慢,建议保存,后续直接调用
#model = models.word2vec.Word2Vec.load("F:\word2vecmodels")
print model[u'洗衣']
#向量表示
sim = model.most_similar(positive=[u'洗衣', u'方便'])
#相近词
for s in sim:
print "word:%s,similar:%s " %(s[0],s[1])
#找到“洗衣”和”方便“相似度高的词
word:容量,similar:0.949171900749
word:动力,similar:0.946333944798
word:时间,similar:0.939984798431
word:干净,similar:0.918717443943
word:滚筒,similar:0.90215164423
word:外观,similar:0.886778771877
word:功能,similar:0.882432937622
word:效果,similar:0.880518734455
word:声音,similar:0.878705024719
word:电机,similar:0.878492772579