基于jieba、TfidfVectorizer、LogisticRegression的文档分类
基于jieba、TfidfVectorizer、LogisticRegression的文档分类
jieba中文叫做结巴，是一款中文分词工具，官方文档链接：https://github.com/fxsjy/jieba TfidfVectorizer中文叫做词袋向量化模型，是用来文章内容向量化的工具，官方文档链接：http://sklearn.apachecn.org/cn/0.19.0/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html LogisticRegression中文叫做逻辑回归模型，是一种基础、常用的分类方法。
建议读者安装anaconda，这个集成开发环境自带了很多包。 到2018年9月1日仍为最新版本的anaconda下载链接: https://pan.baidu.com/s/1pbzVbr1ZJ-iQqJzy1wKs0A 密码: g6ex 官网下载地址：https://repo.anaconda.com/archive/Anaconda3-5.2.0-Windows-x86_64.exe 下面代码的开发环境为jupyter notebook，使用在jupyter notebook中的截图表示运行结果。
0.打开jupyter
在桌面新建文件夹命名为基于TfidfVectorizer的文档分类，如下图所示:
image.png
打开基于TfidfVectorizer的文档分类文件夹，在按住Shift键的情况下，点击鼠标右键，出现如下图所示。 选择在此处打开PowerShell窗口，之后会在此路径下打开PowerShell。
image.png
在PowerShell中输入命令并运行：jupyter notebook
image.png
PowerShell运行命令后，会自动打开网页，点击如下图所示网页中的按钮：
image.png
代码文件重命名为tfidfVectorizerTest，重命名按钮位置如下图所示：
image.png
1.数据准备
训练集共有24000条样本，12个分类，每个分类2000条样本。 测试集共有12000条样本，12个分类，每个分类1000条样本。 数据集下载链接: https://pan.baidu.com/s/1PY3u-WtfBdZQ8FsKgWo_KA 密码: hq5v 下载完成后，将压缩文件包放到基于TfidfVectorizer的文档分类文件夹中，并将其解压到当前文件夹，如下图所示：
image.png
加载训练集到变量train_df中，并打印训练集前5行，代码如下。 read_csv方法中有3个参数，第1个参数是加载文本文件的路径，第2个关键字参数sep是分隔符，第3个关键字参数header是文本文件的第1行是否为字段名。
import pandas as pd
train_df = pd.read_csv('sohu_train.txt', sep='\t', header=None)
train_df.head()上面一段代码的运行结果如下图所示：
image.png
查看训练集每个分类的名字以及样本数量，代码如下：
for name, group in train_df.groupby(0):
print(name,len(group))上面一段代码的运行结果如下图所示：
image.png
加载测试集并查看每个分类的名字以及样本数量，代码如下：
test_df = pd.read_csv('sohu_test.txt', sep='\t', header=None)
for name, group in test_df.groupby(0):
print(name, len(group))上面一段代码的运行结果如下图所示：
image.png
载入停顿词赋值给变量stopWord_list，代码如下：
with open('stopwords.txt', encoding='utf8') as file:
stopWord_list = [k.strip() for k in file.readlines()]2.分词
需要安装jieba库，cmd中安装命令：pip install jieba 对训练集的24000条样本循环遍历，使用jieba库的cut方法获得分词列表赋值给变量cutWords。 判断分词是否为停顿词，如果不为停顿词，则添加进变量cutWords中。 代码如下：
iimport jieba
import time
train_df.columns = ['分类', '文章']
stopword_list = [k.strip() for k in open('stopwords.txt', encoding='utf8').readlines() if k.strip() != '']
cutWords_list = []
i = 0
startTime = time.time()
for article in train_df['文章']:
cutWords = [k for k in jieba.cut(article) if k not in stopword_list]
i += 1
if i % 1000 == 0:
print('前%d篇文章分词共花费%.2f秒' %(i, time.time()-startTime))
cutWords_list.append(cutWords)上面一段代码的运行结果如下：
前1000篇文章分词共花费67.62秒 前2000篇文章分词共花费133.32秒 前3000篇文章分词共花费272.28秒 前4000篇文章分词共花费405.01秒 前5000篇文章分词共花费529.79秒 前6000篇文章分词共花费660.60秒 前7000篇文章分词共花费696.51秒 前8000篇文章分词共花费732.88秒 前9000篇文章分词共花费788.51秒 前10000篇文章分词共花费841.61秒 前11000篇文章分词共花费903.35秒 前12000篇文章分词共花费970.47秒 前13000篇文章分词共花费1010.61秒 前14000篇文章分词共花费1048.76秒 前15000篇文章分词共花费1100.81秒 前16000篇文章分词共花费1154.80秒 前17000篇文章分词共花费1207.07秒 前18000篇文章分词共花费1256.73秒 前19000篇文章分词共花费1374.76秒 前20000篇文章分词共花费1493.85秒 前21000篇文章分词共花费1523.02秒 前22000篇文章分词共花费1552.69秒 前23000篇文章分词共花费1598.88秒 前24000篇文章分词共花费1644.56秒
从上面的运行结果可以看出，对24000篇文章进行分词共使用1644秒，即27分24秒。 时间充裕的读者可以自己运行试试，将分词结果保存为本地文件cutWords_list.txt，代码如下：
with open('cutWords_list.txt', 'w') as file:
for cutWords in cutWords_list:
file.write(' '.join(cutWords) + '\n')上面一段代码大概5秒左右运行完成，本文作者提供已经分词完成的文本文件。 读者节省时间可以下载，链接: https://pan.baidu.com/s/1vCBeHNR6DEGSQQDvA7yQOw 密码: j49q 下载文件是单个文本文件压缩的zip文件，文件大小为50M。 压缩的zip文件解压后的文本文件大小为118M。 载入分词文件的代码如下：
with open('cutWords_list.txt') as file:
cutWords_list = [k.split() for k in file.readlines()]3.TfidfVectorizer模型
调用sklearn.feature_extraction.text库的TfidfVectorizer方法实例化模型对象。 TfidfVectorizer方法需要4个参数。 第1个参数是分词结果，数据类型为列表，其中的元素也为列表； 第2个关键字参数stop_words是停顿词，数据类型为列表； 第3个关键字参数min_df是词频低于此值则忽略，数据类型为int或float; 第4个关键字参数max_df是词频高于此值则忽略，数据类型为Int或float。 查看TfidfVectorizer方法的更多参数用法，官方文档链接：http://sklearn.apachecn.org/cn/0.19.0/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html
from sklearn.feature_extraction.text import TfidfVectorizer
tfidf = TfidfVectorizer(cutWords_list, stop_words=stopWord_list, min_df=40, max_df=0.3)4.特征工程
程序运行时占电脑内存的情况如下图所示：
image.png
从上图可以看出，此程序占3384MB内存，所以电脑需要较高的内存配置， 第1行代码查看向量化的维数，即特征的维数； 第2行代码调用TfidfVectorizer对象的fit_transform方法获得特征矩阵赋值给X； 第3行代码查看特征矩阵的形状。
print('词表大小:', len(tfidf.vocabulary_))
X = tfidf.fit_transform(train_df[1])
print(X.shape)上面一段代码的运行结果如下：
词表大小: 3946 (24000, 3946)
5.模型训练
5.1 标签编码
调用sklearn.preprocessing库的LabelEncoder方法对文章分类做标签编码。 最后一行代码查看预测目标的形状。
from sklearn.preprocessing import LabelEncoder
import pandas as pd
train_df = pd.read_csv('sohu_train.txt', sep='\t', header=None)
labelEncoder = LabelEncoder()
y = labelEncoder.fit_transform(train_df[0])
y.shape5.2 逻辑回归模型
调用sklearn.linear_model库的LogisticRegression方法实例化模型对象。 调用sklearn.model_selection库的train_test_split方法划分训练集和测试集。
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
train_X, test_X, train_y, test_y = train_test_split(X, y, test_size=0.2)
logistic_model = LogisticRegression(multi_class='multinomial', solver='lbfgs')
logistic_model.fit(train_X, train_y)
logistic_model.score(test_X, test_y)上面一段代码的运行结果如下：
0.8754166666666666
5.3 保存模型
保存模型需要先安装pickle库，安装命令：pip install pickle 调用pickle库的dump方法保存模型，需要2个参数。 第1个参数是保存的对象，可以为任意数据类型，因为有3个模型需要保存，所以下面代码第1个参数是字典。 第2个参数是保存的文件对象，数据类型为_io.BufferedWriter
import pickle
with open('tfidf.model', 'wb') as file:
save = {
'labelEncoder' : labelEncoder,
'tfidfVectorizer' : tfidf,
'logistic_model' : logistic_model
}
pickle.dump(save, file)本文作者提供自己完成的模型持久化文件，下载链接: https://pan.baidu.com/s/1JIA_E-S3PotAGY4oLqy93w 密码: e3yk 压缩文件大小：188.8M 解压后的模型文件大小：498.9M
5.4 交叉验证
在进行此步的时候，不需要运行此步之前的所有步骤，即可以重新运行jupyter notebook。 调用pickle库的load方法加载保存的模型对象，代码如下：
import pickle
with open('tfidf.model', 'rb') as file:
tfidf_model = pickle.load(file)
tfidfVectorizer = tfidf_model['tfidfVectorizer']
labelEncoder = tfidf_model['labelEncoder']
logistic_model = tfidf_model['logistic_model']调用pandas的read_csv方法加载训练集数据。 调用TfidfVectorizer对象的transform方法获得特征矩阵。 调用LabelEncoder对象的transform方法获得预测目标值。 代码如下：
import pandas as pd
train_df = pd.read_csv('sohu_train.txt', sep='\t', header=None)
X = tfidfVectorizer.transform(train_df[1])
y = labelEncoder.transform(train_df[0])调用sklearn.linear_model库的LogisticRegression方法实例化逻辑回归模型对象。 调用sklearn.model_selection库的ShuffleSplit方法实例化交叉验证对象。 调用sklearn.model_selection库的cross_val_score方法获得交叉验证每一次的得分。 最后打印每一次的得分以及平均分，代码如下：
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import ShuffleSplit
from sklearn.model_selection import cross_val_score
logistic_model = LogisticRegression(multi_class='multinomial', solver='lbfgs')
cv_split = ShuffleSplit(n_splits=5, test_size=0.3)
score_ndarray = cross_val_score(logistic_model, X, y, cv=cv_split)
print(score_ndarray)
print(score_ndarray.mean())上面一段代码的运行结果如下：
[0.86819444 0.87430556 0.86861111 0.87 0.87430556] 0.8710833333333333
6.模型评估
绘制混淆矩阵，代码如下：
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegressionCV
from sklearn.metrics import confusion_matrix
import pandas as pd
train_X, test_X, train_y, test_y = train_test_split(X, y, test_size=0.2)
logistic_model = LogisticRegressionCV(multi_class='multinomial', solver='lbfgs')
logistic_model.fit(train_X, train_y)
predict_y = logistic_model.predict(test_X)
pd.DataFrame(confusion_matrix(test_y, predict_y),
columns=labelEncoder.classes_,
index=labelEncoder.classes_)上面一段代码的运行结果如下图所示：
image.png
绘制precision、recall、f1-score、support报告表，代码如下：
def eval_model(y_true, y_pred, labels):
# 计算每个分类的Precision, Recall, f1, support
p, r, f1, s = precision_recall_fscore_support(y_true, y_pred)
# 计算总体的平均Precision, Recall, f1, support
tot_p = np.average(p, weights=s)
tot_r = np.average(r, weights=s)
tot_f1 = np.average(f1, weights=s)
tot_s = np.sum(s)
res1 = pd.DataFrame({
u'Label': labels,
u'Precision': p,
u'Recall': r,
u'F1': f1,
u'Support': s
})
res2 = pd.DataFrame({
u'Label': ['总体'],
u'Precision': [tot_p],
u'Recall': [tot_r],
u'F1': [tot_f1],
u'Support': [tot_s]
})
res2.index = [999]
res = pd.concat([res1, res2])
return res[['Label', 'Precision', 'Recall', 'F1', 'Support']]
predict_y = logistic_model.predict(test_X)
eval_model(test_y, predict_y, labelEncoder.classes_)上面一段代码的运行结果如下图所示：
image.png
7.模型测试
模型测试，即对一个全新的测试集进行预测。 调用pandas库的read_csv方法读取测试集文件。 调用TfidfVectorizer对象的transform方法获得特征矩阵。 调用LabelEncoder对象的transform方法获得预测目标值。 下面一段代码能够成功运行的前提，是本文第5.4节和第6节已经运行。
import pandas as pd
test_df = pd.read_csv('sohu_test.txt', sep='\t', header=None)
test_X = tfidfVectorizer.transform(test_df[1])
test_y = labelEncoder.transform(test_df[0])
predict_y = logistic_model.predict(test_X)
eval_model(test_y, predict_y, labelEncoder.classes_)上面一段代码的运行结果如下图所示：
模型测试结果.png
8.结论
本文是作者第2个NLP小型项目，训练集数据共有24000条，测试集数据共有12000条。 经过交叉验证，模型平均得分为0.8711。 模型评估时，使用LogisticRegressionCV模型，得分提高了3%，为0.9076。 最后在测试集上的f1-score指标为0.8990，总体来说这个分类模型较优秀，能够投入实际应用。
腾讯云开发者
