用Python開始機器學習（5：文字特徵抽取與向量化） sklearn
http://blog.csdn.net/lsldd/article/details/41520953
假設我們剛看完諾蘭的大片《星際穿越》，設想如何讓機器來自動分析各位觀眾對電影的評價到底是“贊”（positive）還是“踩”（negative）呢？
這類問題就屬於情感分析問題。這類問題處理的第一步，就是將文字轉換為特徵。
因此，這章我們只學習第一步，如何從文字中抽取特徵，並將其向量化。
由於中文的處理涉及到分詞問題，本文用一個簡單的例子來說明如何使用Python的機器學習庫，對英文進行特徵提取。
1、資料準備
Python的sklearn.datasets支援從目錄讀取所有分類好的文字。不過目錄必須按照一個資料夾一個標籤名的規則放好。比如本文使用的資料集共有2個標籤，一個為“net”，一個為“pos”，每個目錄下面有6個文字檔案。目錄如下所示：
neg
1.txt
2.txt
......
pos
1.txt
2.txt
....
12個檔案的內容彙總起來如下所示：
- neg:
- shit.
- waste my money.
- waste of money.
- sb movie.
- waste of time.
- a shit movie.
- pos:
- nb! nb movie!
- nb!
- worth my money.
- I love this movie!
- a nb movie.
- worth it!
2、文字特徵
如何從這些英文中抽取情感態度而進行分類呢？
最直觀的做法就是抽取單詞。通常認為，很多關鍵詞能夠反映說話者的態度。比如上面這個簡單的資料集，很容易發現，凡是說了“shit”的，就一定屬於neg類。
當然，上面資料集是為了方便描述而簡單設計的。現實中一個詞經常會有穆稜兩可的態度。但是仍然有理由相信，某個單詞在neg類中出現的越多，那麼他表示neg態度的概率越大。
同樣我們注意到有些單詞對情感分類是毫無意義的。比如上述資料中的“of”，“I”之類的單詞。這類詞有個名字，叫“Stop_Word“（停用詞）。這類詞是可以完全忽略掉不做統計的。顯然忽略掉這些詞，詞頻記錄的儲存空間能夠得到優化，而且構建速度也更快。
把每個單詞的詞頻作為重要的特徵也存在一個問題。比如上述資料中的”movie“，在12個樣本中出現了5次，但是出現正反兩邊次數差不多，沒有什麼區分度。而”worth“出現了2次，但卻只出現在pos類中，顯然更具有強烈的剛晴色彩，即區分度很高。
因此，我們需要引入TF-IDF（Term Frequency-Inverse Document Frequency，詞頻和逆向檔案頻率）對每個單詞做進一步考量。
TF（詞頻）的計算很簡單，就是針對一個檔案t，某個單詞Nt 出現在該文件中的頻率。比如文件“I love this movie”，單詞“love”的TF為1/4。如果去掉停用詞“I"和”it“，則為1/2。
IDF（逆向檔案頻率）的意義是，對於某個單詞t，凡是出現了該單詞的文件數Dt，佔了全部測試文件D的比例，再求自然對數。
比如單詞“movie“一共出現了5次，而文件總數為12，因此IDF為ln(5/12)。
很顯然，IDF是為了凸顯那種出現的少，但是佔有強烈感情色彩的詞語。比如“movie”這樣的詞的IDF=ln(12/5)=0.88，遠小於“love”的IDF=ln(12/1)=2.48。
TF-IDF就是把二者簡單的乘在一起即可。這樣，求出每個文件中，每個單詞的TF-IDF，就是我們提取得到的文字特徵值。
3、向量化
有了上述基礎，就能夠將文件向量化了。我們先看程式碼，再來分析向量化的意義：
- # -*- coding: utf-8 -*-
- import scipy as sp
- import numpy as np
- from sklearn.datasets import load_files
- from sklearn.cross_validation import train_test_split
- from sklearn.feature_extraction.text import TfidfVectorizer
- '''''載入資料集，切分資料集80%訓練，20%測試'''
- movie_reviews = load_files('endata')
- doc_terms_train, doc_terms_test, y_train, y_test\
- = train_test_split(movie_reviews.data, movie_reviews.target, test_size = 0.3)
- '''''BOOL型特徵下的向量空間模型，注意，測試樣本呼叫的是transform介面'''
- count_vec = TfidfVectorizer(binary = False, decode_error = 'ignore',\
- stop_words = 'english')
- x_train = count_vec.fit_transform(doc_terms_train)
- x_test = count_vec.transform(doc_terms_test)
- x = count_vec.transform(movie_reviews.data)
- y = movie_reviews.target
- print(doc_terms_train)
- print(count_vec.get_feature_names())
- print(x_train.toarray())
- print(movie_reviews.target)
[b'waste of time.', b'a shit movie.', b'a nb movie.', b'I love this movie!', b'shit.', b'worth my money.', b'sb movie.', b'worth it!']
['love', 'money', 'movie', 'nb', 'sb', 'shit', 'time', 'waste', 'worth']
[[ 0. 0. 0. 0. 0. 0. 0.70710678 0.70710678 0. ]
[ 0. 0. 0.60335753 0. 0. 0.79747081 0. 0. 0. ]
[ 0. 0. 0.53550237 0.84453372 0. 0. 0. 0. 0. ]
[ 0.84453372 0. 0.53550237 0. 0. 0. 0. 0. 0. ]
[ 0. 0. 0. 0. 0. 1. 0. 0. 0. ]
[ 0. 0.76642984 0. 0. 0. 0. 0. 0. 0.64232803]
[ 0. 0. 0.53550237 0. 0.84453372 0. 0. 0. 0. ]
[ 0. 0. 0. 0. 0. 0. 0. 0. 1. ]]
[1 1 0 1 0 1 0 1 1 0 0 0]
python輸出的比較混亂。我這裡做了一個表格如下：
從上表可以發現如下幾點：
1、停用詞的過濾。
初始化count_vec的時候，我們在count_vec構造時傳遞了stop_words = 'english'，表示使用預設的英文停用詞。可以使用count_vec.get_stop_words()檢視TfidfVectorizer內建的所有停用詞。當然，在這裡可以傳遞你自己的停用詞list（比如這裡的“movie”）
2、TF-IDF的計算。
這裡詞頻的計算使用的是sklearn的TfidfVectorizer。這個類繼承於CountVectorizer，在後者基本的詞頻統計基礎上增加了如TF-IDF之類的功能。
我們會發現這裡計算的結果跟我們之前計算不太一樣。因為這裡count_vec構造時預設傳遞了max_df=1，因此TF-IDF都做了規格化處理，以便將所有值約束在[0,1]之間。
3、count_vec.fit_transform的結果是一個巨大的矩陣。我們可以看到上表中有大量的0，因此sklearn在內部實現上使用了稀疏矩陣。本例子資料較小。如果讀者有興趣，可以試試機器學習科研工作者使用的真實資料，來自康奈爾大學：http://www.cs.cornell.edu/people/pabo/movie-review-data/。這個網站提供了很多資料集，其中有幾個2M左右的資料庫，正反例700個左右。這樣的資料規模也不算大，1分鐘內還是可以跑完的，建議大家試一試。不過要注意這些資料集可能存在非法字元問題。所以在構造count_vec時，傳入了decode_error = 'ignore'，以忽略這些非法字元。
上表的結果，就是訓練8個樣本的8個特徵的一個結果。這個結果就可以使用各種分類演算法進行分類了。