美文网首页
文本分类-训练集文本预处理

文本分类-训练集文本预处理

作者: Shira0905 | 来源:发表于2017-06-04 13:30 被阅读0次

一、文本预处理阶段###

1.1 设定训练集和测试集

训练集每一类的数量为500个文档,测试集每一类的数量也为500个文档。

image.png

1.2 计算每个文本的DF

为每一个文本计算TF,return格式为:'word', 'file_name', term-frequency
先算出每个文档中的'word', term-frequency, 在结束改文本的循环后将该文本中出现的词以 'word', 'file_name', term-frequency的形式加入 word_docid_tf

def compute_tf_by_file(self):
    word_docid_tf = []
    for name in self.filenames:
        with open(join(name), 'r') as f:
            tf_dict = dict()
            for line in f:
                line = self.process_line(line)
                words = jieba.cut(line.strip(), cut_all=False)
                for word in words:
                    tf_dict[word] = tf_dict.get(word, 0) + 1
        tf_list = tf_dict.items()
        word_docid_tf += [[item[0], name, item[1]] for item in tf_list]
    return word_docid_tf  

1.3 计算每个词项的TF、DF
为每一个词项计算TF,return的term_freq格式为:'word', dict ( 'file_name ', tf )
为每一个词项计算DF,return的doc_freq格式为:'word', df

def compute_tfidf(self):
    word_docid_tf = self.compute_tf_by_file()
    word_docid_tf.sort()
    doc_freq = dict()
    term_freq = dict()
    for current_word, group in groupby(word_docid_tf, itemgetter(0)):
        doclist = []
        df = 0
        for current_word, file_name, tf in group:
            doclist.append((file_name, tf))
            df += 1
        term_freq[current_word] = dict(doclist)
        doc_freq[current_word] = df
    return term_freq, doc_freq

1.4 精简term_freq, doc_freq
除去只出现在一个或0个文档中的词项
除去数字词项

def reduce_tfidf(self, term_freq, doc_freq):
    remove_list = []        
    for key in term_freq.keys():
        if len(key) < 2:#该词只出现在一个或0个文档中
            remove_list.append(key)
        else:
            try:
                float(key)#该词是数字
                remove_list.append(key)
            except ValueError:
                continue
    for key in remove_list:
        term_freq.pop(key)
        doc_freq.pop(key)
    return term_freq, doc_freq

1.5 为每个文本构建特征向量train_feature, train_target
为term_freq, doc_freq中的key,也就是词项标明index
用jieba分词,将分好的词放入一个临时的数组中。
遍历数组,由doc_freq[word]取得DF并计算iDF,由term_freq[word][name]
取得该词项在该文档中的TF,并计算每个词项的tf-idf值,并作为向量中词项对应index那一维的值。
train_feature, train_target = train_tfidf.tfidf_feature(os.path.join(input_path, 'train'),train_tf, train_df, N)

def tfidf_feature(self, dir, term_freq, doc_freq, N):
    filenames = []
    for (dirname, dirs, files) in os.walk(dir):
        for file in files:
            filenames.append(os.path.join(dirname, file))
    word_list = dict()
    for idx, word in enumerate(doc_freq.keys()):
        word_list[word] = idx
    features = []    
    target = []
    for name in filenames:
        feature = np.zeros(len(doc_freq.keys()))
        words_in_this_file = set()
        tags = re.split('[/\\\\]', name)
        tag = tags[-2]            
        with open(name, 'rb') as f:
            for line in f:
                line = self.process_line(line)
                words = jieba.cut(line.strip(), cut_all=False)
                for word in words:
                    words_in_this_file.add(word)
        for word in words_in_this_file:       
            try:
                idf = np.log(float(N) / doc_freq[word])
                tf = term_freq[word][name]
                feature[word_list[word]] = tf*idf
            except KeyError:
                continue
        features.append(feature)
        target.append(tag)
    return sparse.csr_matrix(np.asarray(features)), np.asarray(target)

1.6 存储&加载
为了节约之后运行的时间,可以通过如下方式把测试集tf和df的值直接存储:

Pickle.dump(train_tf, open(os.path.join(input_path, 'train_tf.pkl'), 'wb'))
print "saved train_tf.pkl"
Pickle.dump(train_df, open(os.path.join(input_path, 'train_df.pkl'), 'wb'))
print "saved train_df.pkl"

之后运行时,可以通过如下方式把测试集tf和df的值直接加载到内存,省去了重新计算的时间:

train_tf = Pickle.load(open(os.path.join(input_path, 'train_tf.pkl'), 'rb'))
print "loaded train_tf.pkl"
train_df = Pickle.load(open(os.path.join(input_path, 'train_df.pkl'), 'rb'))
train_tfidf.doc_freq=train_df
print "loaded train_df.pkl"

相关文章

  • 文本分类-分类器构建与测试

    二、构建分类器## 2.1用logistic回归训练出分类器利用文本预处理得到的训练集的特征向量集、标签集trai...

  • 文本分类-训练集文本预处理

    一、文本预处理阶段### 1.1 设定训练集和测试集 训练集每一类的数量为500个文档,测试集每一类的数量也为50...

  • 文本分类

    文本分类的一般流程: 预处理 文本表示及特征选择 构造分类器 分类 文本分类的应用 垃圾邮件的判定:是否为垃圾邮件...

  • 文本分类

    给定训练集(,),其中是文本的类别,假设共有十个类别。训练一个分类器。 1、首先使用Jieba分词工具将文本进行分...

  • 文本分类和情感分类(1)

    一、文本分类 如图所示,文本分类的大体流程如上: 文本的预处理本文不涉及(能考虑到的会涉及,标点符号处理、停用词处...

  • 中文文本特征可视化

    拿到一个文本数据集,需要查看数据集文本的基本信息,包括词频、文本长度、类别分布等。这里以文本分类的数据集为例,对数...

  • 文本分类;数据增强;模型微调 2020-02-25

    文本分类 文本情感分类数据集 使用循环神经网络进行情感分类 使用卷积神经网络进行情感分类文本分类是自然语言处理的一...

  • IMDB情感分析数据集

    短文本情感分析二分类数据集,每条样本是一个txt文件。 包括训练集,测试集,和没有标签的数据。 训练集:25000...

  • 基于torchtext的文本分类

    基于torchtext的文本分类 在这个项目,我们展示怎样去使用torchtext库建立数据集用于文本分类统计,用...

  • Bert文本分类(fine-tuning)

    本文介绍如何利用BERT fine-tuning一个文本情感分类模型。 0.准备工作 A、情感文本分类数据集下载。...

网友评论

      本文标题:文本分类-训练集文本预处理

      本文链接:https://www.haomeiwen.com/subject/jcvvfxtx.html