点击上方免费订阅(学习)
一、文本挖掘定义
文本挖掘指的是从文本数据中获取有价值的信息和知识,它是数据挖掘中的一种方法。文本挖掘中最重要最基本的应用是实现文本的分类和聚类,前者是有监督的挖掘算法,后者是无监督的挖掘算法。
二、文本挖掘步骤
1)读取数据库或本地外部文本文件
2)文本分词
2.1)自定义字典
2.2)自定义停止词
2.3)分词
2.4)文字云检索哪些词切的不准确、哪些词没有意义,需要循环2.1、2.2和 2.3步骤
3)构建文档-词条矩阵并转换为数据框
4)对数据框建立统计、挖掘模型
5)结果反馈
三、文本挖掘所需工具
本次文本挖掘将使用R语言实现,除此还需加载几个R包,它们是tm包、tmcn包、Rwordseg包和wordcloud包。
四、实战
本文所用数据集来自于sougou实验室数据,具体可至如下链接下载:
http://download.labs.sogou.com/dl/sogoulabdown/SogouC.mini.20061102.tar.gz
本文对该数据集做了整合,将各个主题下的新闻汇总到一张csv表格中,数据格式如下图所示:
具体数据可至文章后面的链接。
#加载所需R包 library(tm) library(Rwordseg) library(wordcloud) library(tmcn) #读取数据 mydata<-read.table(file=file.choose(),header=TRUE,sep=',',stringsAsFactors=FALSE) str(mydata)
接下来需要对新闻内容进行分词,在分词之前需要导入一些自定义字典,目的是提高切词的准确性。由于文本中涉及到军事、医疗、财经、体育等方面的内容,故需要将搜狗字典插入到本次分析的字典集中。
#添加自定义字典 installDict(dictpath='G:\dict\财经金融词汇大全【官方推荐】.scel', dictname='Caijing',dicttype='scel') installDict(dictpath='G:\dict\军事词汇大全【官方推荐】.scel', dictname='Junshi',dicttype='scel') installDict(dictpath='G:\dict\篮球【官方推荐】.scel', dictname='Lanqiu',dicttype='scel') installDict(dictpath='G:\dict\旅游词汇大全【官方推荐】.scel', dictname='Lvyou',dicttype='scel') installDict(dictpath='G:\dict\汽车词汇大全【官方推荐】.scel', dictname='Qiche1',dicttype='scel') installDict(dictpath='G:\dict\汽车频道专用词库.scel', dictname='Qiche2',dicttype='scel') installDict(dictpath='G:\dict\医学词汇大全【官方推荐】.scel', dictname='Yixue',dicttype='scel') installDict(dictpath='G:\dict\足球【官方推荐】.scel', dictname='Zuqiu',dicttype='scel') #查看已安装的词典 listDict()
如果需要卸载某些已导入字典的话,可以使用uninstallDict()函数。
分词前将中文中的英文字母统统去掉。
#剔除文本中含有的英文字母 mydata$Text<-gsub('[a-zA-Z]','',mydata$Text) #分词 segword<-segmentCN(strwords=mydata$Text) #查看第一条新闻分词结果 segword[[1]]
图中圈出来的词对后续的分析并没有什么实际意义,故需要将其剔除,即删除停止词。
#创建停止词 mystopwords<-read.table(file=file.choose(),stringsAsFactors=FALSE) head(mystopwords) class(mystopwords) #需要将数据框格式的数据转化为向量格式 mystopwords<-as.vector(mystopwords[,1]) head(mystopwords)
停止词创建好后,该如何删除76条新闻中实际意义的词呢?下面通过自定义删除停止词的函数加以实现。
#自定义删除停止词的函数 removewords<-function(target_words,stop_words){ target_words=target_words[target_words%in%stop_words==FALSE] return(target_words) } segword2<-sapply(X=segword,FUN=removewords,mystopwords) #查看已删除后的分词结果 segword2[[1]]
相比与之前的分词结果,这里瘦身了很多,剔除了诸如“是”、“的”、“到”、“这”等无意义的次。
判别分词结果的好坏,最快捷的方法是绘制文字云,可以清晰的查看哪些词不该出现或哪些词分割的不准确。
#绘制文字图 word_freq<-getWordFreq(string=unlist(segword2)) opar<-par(no.readonly=TRUE) par(bg='black') #绘制出现频率最高的前50个词 wordcloud(words=word_freq$Word,freq=word_freq$Freq,max.words=50,random.color=TRUE,colors=rainbow(n=7)) par(opar)
很明显这里仍然存在一些无意义的词(如说、日、个、去等)和分割不准确的词语(如黄金周切割为黄金,医药切割为药等),这里限于篇幅的原因,就不进行再次添加自定义词汇和停止词。
#将已分完词的列表导入为语料库,并进一步加工处理语料库 text_corpus<-Corpus(x=VectorSource(segword2)) text_corpus
此时语料库中存放了76条新闻的分词结果。
#去除语料库中的数字 text_corpus<-tm_map(text_corpus,removeNumbers) #去除语料库中的多余空格 text_corpus<-tm_map(text_corpus,stripWhitespace) #创建文档-词条矩阵 dtm<-DocumentTermMatrix(x=text_corpus,control=list(wordLengths=c(2,Inf))) dtm
从图中可知,文档-词条矩阵包含了76行和7939列,行代表76条新闻,列代表7939个词;该矩阵实际上为稀疏矩阵,其中矩阵中非0元素有11655个,而0元素有591709,稀疏率达到98%;最后,这7939个词中,最频繁的一个词出现在了49条新闻中。
由于稀疏矩阵的稀疏率过高,这里将剔除一些出现频次极地的词语。
#去除稀疏矩阵中的词条 dtm<-removeSparseTerms(x=dtm,sparse=0.9) dtm
这样一来,矩阵中列大幅减少,当前矩阵只包含了116列,即116个词语。
为了便于进一步的统计建模,需要将矩阵转换为数据框格式。
#将矩阵转换为数据框格式 df<-as.data.frame(inspect(dtm)) #查看数据框的前6行(部分) head(df)
统计建模:聚类分析
聚类分析是文本挖掘的基本应用,常用的聚类算法包括层次聚类法、划分聚类法、EM聚类法和密度聚类法。
这里使用层次聚类中的McQuitty相似分析法实现新闻的聚类。
#计算距离 d<-dist(df) #层次聚类法之McQuitty相似分析法 fit1<-hclust(d=d,method='mcquitty') plot(fit1) rect.hclust(tree=fit1,k=7,border='red')
这里的McQuitty层次聚类法效果不理想,类与类之间分布相当不平衡,我想可能存在三种原因:
1)文章的主干关键词出现频次不够,使得文章没能反映某种主题;
2)分词过程中没有剔除对建模不利的干扰词,如中国、美国、公司、市场、记者等词语;
3)没能够准确分割某些常用词,如黄金周。
总结
所以在实际的文本挖掘过程中,最为困难和耗费时间的就是分词部分,既要准确分词,又要剔除无意义的词语,这对文本挖掘者是一种挑战。
文中数据和脚本可至如下链接下载:
http://yunpan.cn/cupyBj9xTkHe7 访问密码 a88b
刘顺祥,数据分析师,热爱数据分析与挖掘工作,擅长使用R语言,目前自学Python语言。
原文链接:
http://shujuren.org/index.php/Article/update/aid/108
1、回复“数据分析师”查看数据分析师系列文章
2、回复“案例”查看大数据案例系列文章
3、回复“征信”查看相关征信的系列文章
4、回复“可视化”查看可视化专题系列文章
5、回复“SPPS”查看SPSS系列文章
6、回复“答案”查看hadoop面试题题目及答案
7、回复“爱情”查看大数据与爱情的故事
8、回复“笑话”查看大数据系列笑话
9、回复“大数据1、大数据2、大数据3、大数据4”查看大数据历史机遇连载
原文始发于微信公众号(PPV课数据科学社区):数据挖掘:手把手教你做文本挖掘
原创文章,作者:ppvke,如若转载,请注明出处:http://www.ppvke.com/archives/16142