Python使用K-means实现文本聚类
前言
最近遇到了这样一个需求,将N个文本内容聚类成若干个主题词团,减少人工分析文本和分类文本的工作量。
实现思路是使用 K-means
算法通过高频词对文本内容进行聚类,K-means
算法实现原理简单易于理解,缺点是词与词之间的顺序性和相互关系不能在分类中得到体现。实现步骤如下:
- 使用
jieba
对文本内容进行分词处理; - 去掉停用词;
- 使用
TF-IDF
算法将上一步过滤后的分词列表转换成矩阵形式; - 使用
K-means
聚类算法对矩阵计算相似性; - 获取每个聚类的主题词/词团;
准备样本
周杰伦的30首歌曲的歌词金句作为我们聚类样本的内容,保存到 sourceData/周杰伦.txt
文本中。
分词
使用 python
的 pip
安装结巴分词组件
python
pip install jieba
定义一个函数方法,读取 周杰伦.txt
文件,并对文件内容的每一行文本做分词处理。
python
import jieba
def get_jiebaword():
try:
with open('sourceData/周杰伦.txt', "r", encoding='utf-8') as fr:
lines = fr.readlines()
except FileNotFoundError:
print("找不到此文件")
jiebaword = []
for line in lines:
line = line.strip('\n')
# 清除多余的空格
line = "".join(line.split())
# 默认精确模式
seg_list = jieba.cut(line, cut_all=False)
word = "/".join(seg_list)
jiebaword.append(word)
return jiebaword
分词后的文本列表,打印出来如图所示:
停用词
停用词是一些没有具体含义但在文本中经常会出现的词语,例如"的"、"是"、"许多"、"不仅"等。
中文停用词我们可以去网上下载,地址如下:
下载后的停用词在一个 hit_stopwords.txt
文件中,如图所示:
停用词不只是只有文字,也包括一些标点符号。
定义一个函数方法读取停用词。
python
def get_stopword():
stopword = []
try:
with open('sourceData/hit_stopwords.txt', "r", encoding='utf-8') as fr:
lines = fr.readlines()
except FileNotFoundError:
print("找不到此文件")
for line in lines:
line = line.strip('\n')
stopword.append(line)
return stopword
定义一个函数方法从样本分词列表中过滤掉停用词,过滤后的结果保存到 CleanWords.txt
文件中。
python
def clean_stopword(jiebaword, stopword):
fw = open('resultData/周杰伦/CleanWords.txt', 'a+', encoding='utf-8')
for words in jiebaword:
words = words.split('/')
for word in words:
if word not in stopword:
fw.write(word + '\t')
fw.write('\n')
fw.close()
CleanWords.txt
文件如图所示。
如果发现CleanWords.txt
文件中还有一些词语会影响聚类的效果,可以使用如下语句添加停用词。
python
for i in range(30):
stopword.append(str(i+1))
stopword.append('一路')
stopword.append('向北')
TF-IDF算法
为了让计算机能够理解词语的相似度,我们可以将文本格式的数据转换成矩阵类型的数据, TF-IDF
矩阵在这方面是应用最为广泛的。
TF-IDF(Term Frequency-Inverse Document Frequency,词频-逆文档频率)
是一种在信息检索和文本挖掘领域广泛使用的统计方法,用于评估一个词在文档或语料库中的重要程度。
TF
词频,表示某个词在文档中出现的频率。词频反映了词语在文档中的重要性,出现次数越多,TF值越高。计算公式:
IDF
逆文档频率,表示某个词在整个文档集合中的稀有程度。逆文档频率反映了词语在整个文档集合中的普遍性,出现次数越多的词,IDF值越低;反之,则越高。计算公式:
包含词t的文档书 +1
是为了防止除以 0
导致溢出。
总结一下 TF-IDF
, TF
表示相同的词在两篇文章中出现的频次越高,两篇文章越相似; IDF
表示某个词在所有文本中出现次数较少,只在某两篇文章中出现几次,则该两篇文章具有较高相似度。
scikit-learn
已经实现了 TF-IDF
算法,我们首先要安装scikit-learn
组件。
python
pip install scikit-learn
使用python
实现,定义一个函数方法生成 TF-IDF
矩阵。
python
from sklearn.feature_extraction.text import TfidfVectorizer
def get_tfidf():
try:
with open('resultData/周杰伦/CleanWords.txt', "r", encoding='utf-8') as fr:
lines = fr.readlines()
except FileNotFoundError:
print("找不到此文件")
transformer = TfidfVectorizer()
tfidf = transformer.fit_transform(lines)
# 转为数组形式
tfidf_arr = tfidf.toarray()
return tfidf_arr
打印输出的矩阵,如下图所示:
这个矩阵的形状是 30 * 217
,它表示 217
个分词在 30
个文本中的 TF-IDF
值,值为0表示在此文章中没有出现过。由于打印的不是完整的矩阵,所以上图中的矩阵没有将非0的值显示出来。
K-means聚类
K-Means
聚类是一种常用的无监督学习算法,用于将数据集分成K个簇(cluster),使得簇内的数据点彼此之间尽可能相似,而簇间的数据点尽可能不同。 K-Means
算法的目标是最小化簇内数据点到簇中心的距离之和。
我们需要使用 nltk
组件调用 K-Means
算法。
python
pip install nltk
定义一个函数方法,获取K-Means
聚类。
python
from nltk.cluster import KMeansClusterer, cosine_distance
import pandas as pd
def get_cluster(tfidf_arr, k):
kmeans = KMeansClusterer(num_means=k, distance=cosine_distance, avoid_empty_clusters=True) # 分成k类,使用余弦相似分析
kmeans.cluster(tfidf_arr)
# 获取分类
kinds = pd.Series([kmeans.classify(i) for i in tfidf_arr])
fw = open('resultData/周杰伦/ClusterText.txt', 'a+', encoding='utf-8')
for i, v in kinds.items():
fw.write(str(i) + '\t' + str(v) + '\n')
fw.close()
聚类结果保存在 ClusterText.txt
文件中,结果如图所示:
图中有两列数字,第一列数字是从0到29按顺序排列的数字,表示30个文本的序号。第二列数字表示5个聚类的序号 0~4
。
获取主题词
前面几步已经得到了对周杰伦歌词的聚类索引,但是我们并不清楚这些聚类索引代表什么含义,所以我们可以将这5个聚类里词频最高的几个词给提取出来。
定义一个函数方法,获取分类文档。
python
def cluster_text(text_cnt):
index_cluser = []
try:
with open('resultData/周杰伦/ClusterText.txt', "r", encoding='utf-8') as fr:
lines = fr.readlines()
except FileNotFoundError:
print("找不到此文件")
for line in lines:
line = line.strip('\n')
line = line.split('\t')
index_cluser.append(line)
# index_cluser[i][j]表示第i行第j列
try:
with open('resultData/周杰伦/CleanWords.txt', "r", encoding='utf-8') as fr:
lines = fr.readlines()
except FileNotFoundError:
print("找不到此文件")
for index, line in enumerate(lines):
for i in range(text_cnt):
if str(index) == index_cluser[i][0]:
fw = open('resultData/周杰伦/cluster' + index_cluser[i][1] + '.txt', 'a+', encoding='utf-8')
fw.write(line)
fw.close()
将30个歌词文本的聚类结果分别放入5个文件中。
其中一个cluster文件结果如下:
得到以上分类文档以后,再分别统计各个聚类中频次最高的几个词,定义一个函数方法,代码如下:
python
from collections import Counter
def get_title(cluster, top_n=5):
fw = open('resultData/周杰伦/title.txt', 'a+', encoding='utf-8')
for i in range(cluster):
try:
with open('resultData/周杰伦/cluster' + str(i) + '.txt', "r", encoding='utf-8') as fr:
lines = fr.readlines()
except FileNotFoundError:
print("找不到此文件")
all_words = []
for line in lines:
line = line.strip('\n')
line = line.split('\t')
for word in line:
all_words.append(word)
c = Counter()
for x in all_words:
if len(x) > 1 and x != '\r\n':
c[x] += 1
print('主题' + str(i) + '----------------------------------------------------\n词频统计结果:\n')
fw.write('主题' + str(i) + '----------------------------------------------------\n词频统计结果:\n')
# 输出词频最高的那个词,也可以输出多个高频词
for (k, v) in c.most_common(top_n):
print(k, ':', v, '\n')
fw.write(k + ':' + str(v) + '\n')
fw.write('\n')
fw.close()
执行结果保存在 title.txt
文件中,我这里参数 top_n
是传的3,表示获取3个主题词,效果如图所示:
因为样本做的比较少,所以词频统计的数量不多,所以代表性也不是很强。另一个原因是 K-means
算法是一种无监督算法,一开始要定义好聚类的数量,算法根据聚类的数量随机选取聚类中心点,中心点选的不准会极大影响聚类结果的准确度。所以可以定义不同的聚类数量多计算几次,直到满意为止。
主流程方法
主流程 main
方法基本是调用上文中列表的所有函数方法,按步骤开始执行。
此外,还定义了一个 delete_files_in_directory
函数用来在生成聚类结果之前先删除上一次生成的结果,否则生成的结果txt文件会叠加上一次的结果。
python
import jieba
from sklearn.feature_extraction.text import TfidfVectorizer
from nltk.cluster import KMeansClusterer, cosine_distance
import pandas as pd
from collections import Counter
import os
def delete_files_in_directory(directory):
if not os.path.exists(directory):
os.mkdir(directory)
return
# 遍历目录中的所有文件
for filename in os.listdir(directory):
file_path = os.path.join(directory, filename)
# 检查路径是否为文件(而非子目录等)
if os.path.isfile(file_path):
# 删除文件
os.remove(file_path)
if __name__ == '__main__':
# 定义聚类的个数
cluster = 5
# 定义主题词个数
top_n = 3
# 删除上一次的结果数据
delete_files_in_directory('resultData/周杰伦')
# 结巴分词
jiebaword = get_jiebaword()
# 获取停用词
stopword = get_stopword()
# ---停用词补充,视具体情况而定---
for i in range(30):
stopword.append(str(i+1))
stopword.append('一路')
stopword.append('向北')
# ----------------------
# 去除停用词
clean_stopword(jiebaword, stopword)
# 获取tfidf矩阵
tfidf_arr = get_tfidf()
text_cnt = tfidf_arr.shape[0]
# ---输出测试---
# print(tfidf_arr)
# print(tfidf_arr.shape)
# -------------
# K-means聚类
get_cluster(tfidf_arr, cluster)
# 获取分类文件
cluster_text(text_cnt)
# 统计出主题词
get_title(cluster, top_n)