文本自动分类（续）

文本自动分类

关于单个文本处理时间显著增长的讨论

今天下午  

使用了 stopwords 从网上搜了下 中文停用词

并解决了 Python 中文显示/输入输出的问题 line.decode('gbk')

__author__ = 'LiFeiteng'
# -*- coding: utf-8 -*-
import os
import  jieba
import nltk

## 由搜狗语料库 生成数据
folder_path = 'C:LIFEITENGSogouC.reduced\Reduced'
#folder_path = 'C:LIFEITENGSogouC.miniSample'
folder_list = os.listdir(folder_path)
class_list = [] ##由于乱码等问题 仅以数字[0,1,...]来代表文件分类
nClass = 0
N = 100  #每类文件 最多取 50 个样本 70%train 30%test
train_set = []
test_set = []
all_words = {}
import time
process_times = [] ## 统计处理每个文件的时间
for i in range(len(folder_list)):
	new_folder_path = folder_path + '\' + folder_list[i]
	files = os.listdir(new_folder_path)
	class_list.append(nClass)
	nClass += 1
	j = 0
	nFile = min([len(files), N])
	for file in files:
		if j > N:
			break
		starttime = time.clock()

		fobj = open(new_folder_path+'\'+file, 'r')
		raw = fobj.read()
		word_cut = jieba.cut(raw, cut_all=False)
		word_list = list(word_cut)
		for word in word_list:
			if all_words.has_key(word):#if word in all_words.keys():
				all_words[word] += 1
			else:
				all_words[word] = 0
		if j > 0.3 * nFile:
			train_set.append((word_list, class_list[i]))
		else:
			test_set.append((word_list, class_list[i]))
		fobj.close()
		j += 1
		endtime = time.clock()
		process_times.append(endtime-starttime)

		print "Folder ",i,"-file-",j, "all_words length = ", len(all_words.keys()),
			"process time:",(endtime-starttime)


## 根据word的词频排序
all_words_list = sorted(all_words.items(), key=lambda e:e[1], reverse=True)

## 由于乱码的问题，没有正确使用 stopwords；简单去掉 前100个高频项
## word_features 是选用的 word-词典
stopwords_file = open('stopwords_cn.txt', 'r')
stopwords_list = []
for line in stopwords_file.readlines():
	#print line.decode('gbk')
	stopwords_list.append(line.decode('gbk')[:-2])
#print stopwords_list

def words_dict_no_use_stopwords(deleteN):
	#dict_name = "dict_"+str(deleteN)+".txt"
	#dict = open(dict_name, 'w')
	n = 0
	word_features = []
	for t in range(deleteN, len(all_words), 1):
			if n > 1000:
						break
			#print all_words_list[t][0]
			#dict.writelines(str(all_words_list[t][0]))
			#dict.writelines(' ')
			n += 1
			word_features.append(all_words_list[t][0])
	return word_features
	#dict.close()

def words_dict_use_stopwords(deleteN):
	#dict_name = "dict_stopwords_"+str(deleteN)+".txt"
	#dict = open(dict_name, 'w')
	n = 0
	word_features = []
	for t in range(deleteN, len(all_words), 1):
			if n > 1000:
						break
			#print all_words_list[t][0]
			if all_words_list[t][0] not in stopwords_list and (not all_words_list[t][0].isdigit()):
				#dict.writelines(str(all_words_list[t][0]))
				#dict.writelines(' ')
				n += 1
				word_features.append(all_words_list[t][0])
	return word_features
	#dict.close()

def document_features(document):
	document_words = set(document)
	features = {}
	for word in word_features: ## 根据词典生成 每个document的feature True or False
		features['contains(%s)' % word] = (word in document_words)
	return features

def TextClassification():
	## 根据每个document 分词生成的 word_list 生成 feature
	train_data = [(document_features(d), c) for (d,c) in train_set]
	test_data = [(document_features(d), c) for (d,c) in test_set]
	print "train number:",len(train_data),"
 test number:",len(test_data)
	## 朴素贝叶斯分类器
	classifier = nltk.NaiveBayesClassifier.train(train_data)
	test_error = nltk.classify.accuracy(classifier, test_data)
	print "test accuracy:", test_error
	return test_error

deleteNs = range(0, 1000, 20)
test_errors_no_use = []
test_errors_use = []
for n in deleteNs:
	word_features = words_dict_no_use_stopwords(n)
	test_error = TextClassification()
	test_errors_no_use.append(test_error)

	word_features = words_dict_use_stopwords(n)
	test_error = TextClassification()
	test_errors_use.append(test_error)


## 处理每个文件所用的时间 可见到后面 处理单个文件的时间显著增长
## 原因 已查明
import pylab
plot1 = pylab.plot(deleteNs, test_errors_no_use)
plot2 = pylab.plot(deleteNs, test_errors_use)
pylab.legend(('no use stopwords', 'using stopwords'), 'best')
#pylab.xlabel("no using stopwords")
pylab.show()

对数据的处理：

由于没有事先的词典dict  

我的处理方法是：把所有文档的分词结果放到一个 dictionary里面，然后根据词频从高到低 排序

由于处理每个文档的时候，就没有去除一些杂乱信息，比如标点符号，无意义的数字等

所以 在试验中 构造最终词典(固定选取1000个词)的时候 逐渐去除词典的部分高频项，观察正确率的变化

（图像：纵轴代表分类9个文档的正确率，横轴-去除高频项的个数(0::20::1000)，绿线-使用停用词的正确率）

从测试准确率图像中可以看到此举 在初期还是有显著效果的 当去除更多高频词汇的数据时 正确率又会显著下降

这跟理论分析是符合的——应该观察排序后的字典，深入到数据中去

同时也可看到 使用停用词 在前半段 争取率有不错的提升

==========================================================

1.应该在 处理每个文本的时候  应该去除一些杂乱信息 减少内存占用等

2.如果在事先有 词典的情况下 可以直接提取文本特征

3.没有词典的时候， 程序员应该自己 构造词典 甚至在大量样本中 学习词典

4.特征维数的选取 在本文中固定 1000 维，可以做做 正确率关于维数的变化

5.特别说明：因为 分类器用的是 朴素贝叶斯 所以文本特征是 [TRUE, FALSE, ...]  文本是否包含字典中词的判别

  p(feature_i | C_k) = ... 见文本自动分类 贝叶斯介绍部分

   如果是使用 SVM softmax等 那么特征应该是 词频 或者 TDIDF等