[[421481]]

本文轉載自微信公眾號「python與大數(shù)據(jù)分析」，作者 一只小小鳥鳥 。轉載本文請聯(lián)系python與大數(shù)據(jù)分析公眾號。

最近工作實在有點忙，前陣子關于梯度和導數(shù)的事情把人折騰的夠嗆，數(shù)學學不好，搞機器學習和神經網絡真是頭疼;想轉到應用層面輕松一下，想到了自然語言處理，one hot模型是基礎也是入門，看起來很簡單的一個列表轉矩陣、詞典的功能，想著手工實現(xiàn)一下，結果看了一下CountVectorizer，發(fā)現(xiàn)不是那么回事兒，還是放棄了。

顧名思義，單熱表示從一個零向量開始，如果單詞出現(xiàn)在句子或文檔中，則將向量中的相應條目設置為 1。

對句子進行標記，忽略標點符號，并將所有的單詞都用小寫字母表示，就會得到一個大小為 8 的詞匯表: {time, fruit, flies, like, a, an, arrow, banana} 。所以，我們可以用一個八維的單熱向量來表示每個單詞。在本書中，我們使用 1[w] 表示標記/單詞 w 的單熱表示。

對于短語、句子或文檔，壓縮的單熱表示僅僅是其組成詞的邏輯或的單熱表示。短語 like a banana 的單熱表示將是一個 3×8 矩陣，其中的列是 8 維的單熱向量。通常還會看到“折疊”或二進制編碼，其中文本/短語由詞匯表長度的向量表示，用 0 和 1 表示單詞的缺失或存在。like a banana 的二進制編碼是: [0,0,0,1,1,0,0,1] 。

from sklearn.feature_extraction.text import CountVectorizer, TfidfVectorizer 
import seaborn as sns 
import matplotlib.pyplot as plt 
import jieba 
import jieba.analyse 
 
# 單熱表示從一個零向量開始，如果單詞出現(xiàn)在句子或文檔中，則將向量中的相應條目設置為 1。 
# 英文的處理和展示 
corpus = ['Time flies flies like an arrow.', 'Fruit flies like a banana.'] 
one_hot_vectorizer = CountVectorizer(binary=True) 
one_hot = one_hot_vectorizer.fit_transform(corpus).toarray() 
sns.heatmap(one_hot, annot=True, cbar=False, yticklabels=['Sentence 1', 'Sentence 2']) 
plt.show() 

# 中文的處理和展示 
# 獲取停用詞列表 
def get_stopwords_list(stopwordfile): 
    stopwords = [line.strip() for line in open(stopwordfile, encoding='UTF-8').readlines()] 
    return stopwords 
 
# 移除停用詞 
def movestopwords(sentence): 
    stopwords = get_stopwords_list('stopwords.txt')  # 這里加載停用詞的路徑 
    santi_words = [x for x in sentence if len(x) > 1 and x not in stopwords] 
    return santi_words 
 
# 語料 
corpus = ["小明碩士畢業(yè)于中國科學院計算所，后在日本京都大學深造。", 
          "小王本科在清華大學，后在南京計算所工作和深造，后在日本早稻田大學深造", 
          "小李本科在清華大學，碩士畢業(yè)于中國科學院計算所，博士在南京大學"] 
newcorpus = [] 
for str in corpus: 
    orgwordlist = jieba.lcut(str)  # jieba分詞 
    wordlist = movestopwords(orgwordlist)  # 移除停用詞 
    newword = " ".join(wordlist)  # 按照語料庫要求進行空格分隔 
    newcorpus.append(newword)  # 按照語料庫要求轉換成列表 
# newcorpus 
# ['小明 碩士 畢業(yè) 中國科學院 計算所 日本京都大學 深造', 
# '小王 本科 清華大學 南京 計算所 工作 深造 日本早稻田大學 深造', 
# '小李 本科 清華大學 碩士 畢業(yè) 中國科學院 計算所 博士 南京大學'] 
one_hot_vectorizer = CountVectorizer(binary=True)  # 創(chuàng)建詞袋數(shù)據(jù)結構 
one_hot = one_hot_vectorizer.fit_transform(newcorpus).toarray()  # 轉換語料，并矩陣化 
# 下面為熱詞的輸出結果 
# one_hot_vectorizer.vocabulary_ 
# {'小明': 4, '碩士': 14, '畢業(yè)': 11, '中國科學院': 0, '計算所': 15, '日本京都大學': 8, '深造': 12, '小王': 6, '本科': 10, '清華大學': 13, '南京': 1, '工作': 7, '日本早稻田大學': 9, '小李': 5, '博士': 3, '南京大學': 2} 
# one_hot_vectorizer.get_feature_names() 
# ['中國科學院', '南京', '南京大學', '博士', '小明', '小李', '小王', '工作', '日本京都大學', '日本早稻田大學', '本科', '畢業(yè)', '深造', '清華大學', '碩士', '計算所'] 
# one_hot 
# [[1 0 0 0 1 0 0 0 1 0 0 1 1 0 1 1] 
#  [0 1 0 0 0 0 1 1 0 1 1 0 1 1 0 1] 
#  [1 0 1 1 0 1 0 0 0 0 1 1 0 1 1 1]] 
sns.set_style({'font.sans-serif': ['SimHei', 'Arial']}) 
sns.heatmap(one_hot, annot=True, cbar=False, xticklabels=one_hot_vectorizer.get_feature_names(), 
            yticklabels=['語句1', '語句2', '語句3']) 
plt.show() 

IDF 表示懲罰常見的符號，并獎勵向量表示中的罕見符號。符號 w 的 IDF(w) 對語料庫的定義為其中 n[w] 是包含單詞 w 的文檔數(shù)量， N 是文檔總數(shù)。TF-IDF 分數(shù)就是 TF(w) * IDF(w) 的乘積。首先，請注意在所有文檔(例如， n[w] = N )， IDF(w) 為 0, TF-IDF 得分為 0，完全懲罰了這一項。其次，如果一個術語很少出現(xiàn)(可能只出現(xiàn)在一個文檔中)，那么 IDF 就是 log n 的最大值

tfidf_vectorizer = TfidfVectorizer()  # 創(chuàng)建詞袋數(shù)據(jù)結構 
tfidf = tfidf_vectorizer.fit_transform(newcorpus).toarray()  # 轉換語料，并矩陣化 
# 下面為熱詞的輸出結果 
# tfidf_vectorizer.vocabulary_ 
# '小明': 4, '碩士': 14, '畢業(yè)': 11, '中國科學院': 0, '計算所': 15, '日本京都大學': 8, '深造': 12, '小王': 6, '本科': 10, '清華大學': 13, '南京': 1, '工作': 7, '日本早稻田大學': 9, '小李': 5, '博士': 3, '南京大學': 2} 
# tfidf_vectorizer.get_feature_names() 
# ['中國科學院', '南京', '南京大學', '博士', '小明', '小李', '小王', '工作', '日本京都大學', '日本早稻田大學', '本科', '畢業(yè)', '深造', '清華大學', '碩士', '計算所'] 
# tfidf 
# [[0.35221512 0.         0.         0.         0.46312056 0.  0.         0.         0.46312056 0.         0.        0.35221512  0.35221512 0.         0.35221512 0.27352646] 
#  [0.         0.35761701 0.         0.         0.         0.  0.35761701 0.35761701 0.         0.35761701 0.27197695 0.  0.54395391 0.27197695 0.         0.21121437] 
#  [0.30443385 0.         0.40029393 0.40029393 0.         0.40029393  0.         0.         0.         0.         0.30443385 0.30443385  0.         0.30443385 0.30443385 0.23642005]] 
sns.heatmap(tfidf, annot=True, cbar=False, xticklabels=tfidf_vectorizer.get_feature_names(), 
            yticklabels=['語句1', '語句2', '語句3'], vmin=0, vmax=1, cm