用Python开始机器学习：文本特征抽取与向量化

假设我们刚看完诺兰的大片《星际穿越》，设想如何让机器来自动分析各位观众对电影的评价到底是“赞”（positive）还是“踩”（negative）呢？

这类问题就属于情感分析问题。这类问题处理的第一步，就是将文本转换为特征。

因此，这章我们只学习第一步，如何从文本中抽取特征，并将其向量化。

由于中文的处理涉及到分词问题，本文用一个简单的例子来说明如何使用Python的机器学习库，对英文进行特征提取。

1、数据准备

Python的sklearn.datasets支持从目录读取所有分类好的文本。不过目录必须按照一个文件夹一个标签名的规则放好。比如本文使用的数据集共有2个标签，一个为“net”，一个为“pos”，每个目录下面有6个文本文件。目录如下所示： neg 1.txt 2.txt ......

pos 1.txt 2.txt ....

12个文件的内容汇总起来如下所示：

[plain] view plaincopy

1. neg:
2. shit.
3. waste my money.
4. waste of money.
5. sb movie.
6. waste of time.
7. a shit movie.
8. pos:
9. nb! nb movie!
10. nb!
11. worth my money.
12. I love this movie!
13. a nb movie.
14. worth it!

2、文本特征

如何从这些英文中抽取情感态度而进行分类呢？

最直观的做法就是抽取单词。通常认为，很多关键词能够反映说话者的态度。比如上面这个简单的数据集，很容易发现，凡是说了“shit”的，就一定属于neg类。

当然，上面数据集是为了方便描述而简单设计的。现实中一个词经常会有穆棱两可的态度。但是仍然有理由相信，某个单词在neg类中出现的越多，那么他表示neg态度的概率越大。

同样我们注意到有些单词对情感分类是毫无意义的。比如上述数据中的“of”，“I”之类的单词。这类词有个名字，叫“Stop_Word“（停用词）。这类词是可以完全忽略掉不做统计的。显然忽略掉这些词，词频记录的存储空间能够得到优化，而且构建速度也更快。

把每个单词的词频作为重要的特征也存在一个问题。比如上述数据中的”movie“，在12个样本中出现了5次，但是出现正反两边次数差不多，没有什么区分度。而”worth“出现了2次，但却只出现在pos类中，显然更具有强烈的刚晴色彩，即区分度很高。

因此，我们需要引入TF-IDF（Term Frequency-Inverse Document Frequency，词频和逆向文件频率）对每个单词做进一步考量。

TF（词频）的计算很简单，就是针对一个文件t，某个单词Nt 出现在该文档中的频率。比如文档“I love this movie”，单词“love”的TF为1/4。如果去掉停用词“I"和”it“，则为1/2。

IDF（逆向文件频率）的意义是，对于某个单词t，凡是出现了该单词的文档数Dt，占了全部测试文档D的比例，再求自然对数。

比如单词“movie“一共出现了5次，而文档总数为12，因此IDF为ln(5/12)。

很显然，IDF是为了凸显那种出现的少，但是占有强烈感情色彩的词语。比如“movie”这样的词的IDF=ln(12/5)=0.88，远小于“love”的IDF=ln(12/1)=2.48。

TF-IDF就是把二者简单的乘在一起即可。这样，求出每个文档中，每个单词的TF-IDF，就是我们提取得到的文本特征值。

3、向量化

有了上述基础，就能够将文档向量化了。我们先看代码，再来分析向量化的意义：

[python] view plaincopy

1. # -*- coding: utf-8 -*-
2. import scipy as sp
3. import numpy as np
4. from sklearn.datasets import load_files
5. from sklearn.cross_validation import train_test_split
6. from sklearn.feature_extraction.text import TfidfVectorizer
8. '''''加载数据集，切分数据集80%训练，20%测试'''
9. movie_reviews = load_files('endata')
10. doc_terms_train, doc_terms_test, y_train, y_test\
11. = train_test_split(movie_reviews.data, movie_reviews.target, test_size = 0.3)
13. '''''BOOL型特征下的向量空间模型，注意，测试样本调用的是transform接口'''
14. count_vec = TfidfVectorizer(binary = False, decode_error = 'ignore',\
15. stop_words = 'english')
16. x_train = count_vec.fit_transform(doc_terms_train)
17. x_test = count_vec.transform(doc_terms_test)
18. x = count_vec.transform(movie_reviews.data)
19. y = movie_reviews.target
20. print(doc_terms_train)
21. print(count_vec.get_feature_names())
22. print(x_train.toarray())
23. print(movie_reviews.target)

运行结果如下：

[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输出的比较混乱。我这里做了一个表格如下：

从上表可以发现如下几点：

1、停用词的过滤。

初始化count_vec的时候，我们在count_vec构造时传递了stop_words = 'english'，表示使用默认的英文停用词。可以使用count_vec.get_stop_words()查看TfidfVectorizer内置的所有停用词。当然，在这里可以传递你自己的停用词list（比如这里的“movie”）

2、TF-IDF的计算。

这里词频的计算使用的是sklearn的TfidfVectorizer。这个类继承于CountVectorizer，在后者基本的词频统计基础上增加了如TF-IDF之类的功能。

我们会发现这里计算的结果跟我们之前计算不太一样。因为这里count_vec构造时默认传递了max_df=1，因此TF-IDF都做了规格化处理，以便将所有值约束在[0,1]之间。

3、count_vec.fit_transform的结果是一个巨大的矩阵。我们可以看到上表中有大量的0，因此sklearn在内部实现上使用了稀疏矩阵。本例子数据较小。如果读者有兴趣，可以试试机器学习科研工作者使用的真实数据，来自康奈尔大学：http://www.cs.cornell.edu/people/pabo/movie-review-data/。这个网站提供了很多数据集，其中有几个2M左右的数据库，正反例700个左右。这样的数据规模也不算大，1分钟内还是可以跑完的，建议大家试一试。不过要注意这些数据集可能存在非法字符问题。所以在构造count_vec时，传入了decode_error = 'ignore'，以忽略这些非法字符。

上表的结果，就是训练8个样本的8个特征的一个结果。这个结果就可以使用各种分类算法进行分类了。