文本特征向量化方法

01 NB的第一步

在之前的文章中，我们学习了一种分类方法：朴素贝叶斯，朴素贝叶斯特别适合文本分类，比如：

1. 根据邮件内容，判断哪些是垃圾邮件
2. 根据新闻内容，判断新闻情感是正面、负面还是中立
   ……

如果想要使用朴素贝叶斯模型去给文本数据分类，就必须对文本数据进行处理。

怎么处理呢？一般是这样的：

1. 对文本分词(作为特征)，比如把这句话“我是天才”分词为“我”“是”“天才”（这里面的学问就更多了，本文不赘述）
2. 统计各词在句子中是否出现(词集模型）
3. 统计各词在句子中出现次数(词袋模型）
4. 统计各词在这个文档的TFIDF值（词袋模型+IDF值）

本文主要讲解并实践三种文本特征向量化方法：

词集模型：one-hot编码向量化文本
词袋模型+IDF：TFIDF向量化文本
哈希向量化文本

在以下三种向量化方法中，待处理的文本都长这样：

02 one-hot编码向量化文本

两种方式实现，本文主要讲解自定义函数实现：

• 自定义函数 doc2onehot_matrix()
• sklearn DictVectorizer

# 自定义方法：文本转onehot编码
"""
说明：
文档格式txt，每行表示一个训练样本(一句话，一段文字都可以)
文档如果是不分行的一段话，可以用nltk.tokenize.sent_tokenize(text)将文档分句，然后把每句话当作一个样本进行编码
"""
import numpy as np
import pandas as pd
import jieba

def doc2onthot_matrix():
    # 读取待编码的文件
    file_path=input("请输入待编码文件路径及文件名：")
    with open(file_path,encoding="utf-8") as f:
        docs=f.readlines()
    
    # 将文件每行分词，分词后的词语放入words中
    words=[]
    for i in range(len(docs)):
        docs[i]=jieba.lcut(docs[i].strip("\n"))
        words+=docs[i]
    
    # 找出分词后不重复的词语，作为词袋，是后续onehot编码的维度
    vocab=sorted(set(words),key=words.index)
    
    # 建立一个M行V列的全0矩阵，M问文档样本数，这里是行数，V为不重复词语数，即编码维度
    V=len(vocab)
    M=len(docs)
    onehot=np.zeros((M,V))
    
    for i,doc in enumerate(docs):
        for word in doc:
            if word in vocab:
                pos=vocab.index(word)
                onehot[i][pos]=1
    onehot=pd.DataFrame(onehot,columns=vocab)
    return onehot

我们将待处理文本输入到代码中，得到如下输出，可以看到，每句话都统计出各词语是否出现

03 TF-IDF文本向量化

同样的，也可以通过两种方式实现，本文主要讲解自定义函数实现：

• 自定义函数 doc2tfidf_matrix()
• sklearn TfidfVectorizer，CountVectorizer，TfidfTransformer

import numpy as np
import pandas as pd
import math
import jieba

def doc2tfidf_matrix():
    # 读取待编码的文件
    file_path=input("请输入待编码文件路径及文件名：")
    with open(file_path,encoding="utf-8") as f:
        docs=f.readlines()
    
    # 将文件每行分词，分词后的词语放入words中
    words=[]
    for i in range(len(docs)):
        docs[i]=jieba.lcut(docs[i].strip("\n"))
        words+=docs[i]
    
    # 找出分词后不重复的词语，作为词袋
    vocab=sorted(set(words),key=words.index)
    
    # 建立一个M行V列的全0矩阵，M问文档样本数，这里是行数，V为不重复词语数，即编码维度
    V=len(vocab)
    M=len(docs)
    onehot=np.zeros((M,V)) # 二维矩阵要使用双括号
    tf=np.zeros((M,V))
    
    for i,doc in enumerate(docs):
        for word in doc:
            if word in vocab:
                pos=vocab.index(word)
                onehot[i][pos]=1
                tf[i][pos]+=1 # tf,统计某词语在一条样本中出现的次数

    row_sum=tf.sum(axis=1) # 行相加，得到每个样本出现的词语数
    # 计算TF(t,d)
    tf=tf/row_sum[:,np.newaxis] #分母表示各样本出现的词语数，tf为单词在样本中出现的次数，[:,np.newaxis]作用类似于行列转置
    # 计算DF(t,D)，IDF
    df=onehot.sum(axis=0) # 列相加，表示有多少样本包含词袋某词
    idf=list(map(lambda x:math.log10((M+1)/(x+1)),df))
    
    # 计算TFIDF
    tfidf=tf*np.array(idf)
    tfidf=pd.DataFrame(tfidf,columns=vocab)
    return tfidf

我们将待处理文本输入到代码中，得到如下输出，可以看到，每句话都统计出各词语的TFIDF值

03 哈希向量化文本

调用sklearn HashingVectorizer实现。

什么时候使用哈希向量化呢？

TfidfVectorizer在执行时，需要先将词袋矩阵放入内存，再计算各位置单词的TFIDF值，如果词袋维度大，将占用过多内存，效率低，此时可以使用哈希向量化。

哈希向量化可以缓解TfidfVectorizer在处理高维文本时内存消耗过大的问题。

哈希技巧是无固定状态的（stateless），它把任意的数据块映射到固定数目(n_features)的位置，并且保证相同的输入一定产生相同的输出，不同的输入尽可能产生不同的输出。它可以用并行，线上，流式传输创建特征向量，因为它初始化是不需要文集输入的。（额，其实这段话我目前还不太明白，待学习~~）

04 总结

朴素贝叶斯模型特别适合分类文本数据，但分类之前需要对文本提取特征并向量化。

本文总结了三种文本特征向量化的方法：onehot，TFIDF，Hashing，这是使用/自定义朴素贝叶斯模型的前提。之后我们会进行下一步：朴素贝叶斯模型的调用和自定义（造个轮子？）