Python使用K-means實(shí)現(xiàn)文本聚類功能

更新時(shí)間：2024年11月03日 08:53:06 作者：IT果果日記

最近遇到了這樣一個(gè)需求,將N個(gè)文本內(nèi)容聚類成若干個(gè)主題詞團(tuán),減少人工分析文本和分類文本的工作量,實(shí)現(xiàn)思路是使用?K-means算法通過高頻詞對(duì)文本內(nèi)容進(jìn)行聚類,K-means算法實(shí)現(xiàn)原理簡(jiǎn)單易于理解,本文給大家介紹了Python使用K-means實(shí)現(xiàn)文本聚類功能,需要的朋友可以參考下

前言

最近遇到了這樣一個(gè)需求，將N個(gè)文本內(nèi)容聚類成若干個(gè)主題詞團(tuán)，減少人工分析文本和分類文本的工作量。

實(shí)現(xiàn)思路是使用 K-means算法通過高頻詞對(duì)文本內(nèi)容進(jìn)行聚類，K-means算法實(shí)現(xiàn)原理簡(jiǎn)單易于理解，缺點(diǎn)是詞與詞之間的順序性和相互關(guān)系不能在分類中得到體現(xiàn)。實(shí)現(xiàn)步驟如下：

使用 jieba對(duì)文本內(nèi)容進(jìn)行分詞處理；
去掉停用詞；
使用 TF-IDF算法將上一步過濾后的分詞列表轉(zhuǎn)換成矩陣形式；
使用 K-means聚類算法對(duì)矩陣計(jì)算相似性；
獲取每個(gè)聚類的主題詞/詞團(tuán)；

準(zhǔn)備樣本

周杰倫的30首歌曲的歌詞金句作為我們聚類樣本的內(nèi)容，保存到 sourceData/周杰倫.txt 文本中。

分詞

使用 python的 pip安裝結(jié)巴分詞組件

pip install jieba

定義一個(gè)函數(shù)方法，讀取 周杰倫.txt文件，并對(duì)文件內(nèi)容的每一行文本做分詞處理。

import jieba

def get_jiebaword():
    try:
        with open('sourceData/周杰倫.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())
        # 默認(rèn)精確模式
        seg_list = jieba.cut(line, cut_all=False)
        word = "/".join(seg_list)
        jiebaword.append(word)
    return jiebaword

分詞后的文本列表，打印出來如圖所示：

停用詞

停用詞是一些沒有具體含義但在文本中經(jīng)常會(huì)出現(xiàn)的詞語，例如“的”、“是”、“許多”、“不僅”等。

中文停用詞我們可以去網(wǎng)上下載，地址如下：

https://gitcode.com/open-source-toolkit/63e0e/overview

下載后的停用詞在一個(gè) hit_stopwords.txt 文件中，如圖所示：

停用詞不只是只有文字，也包括一些標(biāo)點(diǎn)符號(hào)。

定義一個(gè)函數(shù)方法讀取停用詞。

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

定義一個(gè)函數(shù)方法從樣本分詞列表中過濾掉停用詞，過濾后的結(jié)果保存到 CleanWords.txt 文件中。

def clean_stopword(jiebaword, stopword):
    fw = open('resultData/周杰倫/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 文件如圖所示。

如果發(fā)現(xiàn)CleanWords.txt 文件中還有一些詞語會(huì)影響聚類的效果，可以使用如下語句添加停用詞。

for i in range(30):
    stopword.append(str(i+1))
    
stopword.append('一路')
stopword.append('向北')

TF-IDF算法

為了讓計(jì)算機(jī)能夠理解詞語的相似度，我們可以將文本格式的數(shù)據(jù)轉(zhuǎn)換成矩陣類型的數(shù)據(jù)， TF-IDF矩陣在這方面是應(yīng)用最為廣泛的。

TF-IDF（Term Frequency-Inverse Document Frequency，詞頻-逆文檔頻率）是一種在信息檢索和文本挖掘領(lǐng)域廣泛使用的統(tǒng)計(jì)方法，用于評(píng)估一個(gè)詞在文檔或語料庫(kù)中的重要程度。

TF 詞頻，表示某個(gè)詞在文檔中出現(xiàn)的頻率。詞頻反映了詞語在文檔中的重要性，出現(xiàn)次數(shù)越多，TF值越高。計(jì)算公式：

IDF 逆文檔頻率，表示某個(gè)詞在整個(gè)文檔集合中的稀有程度。逆文檔頻率反映了詞語在整個(gè)文檔集合中的普遍性，出現(xiàn)次數(shù)越多的詞，IDF值越低；反之，則越高。計(jì)算公式：

包含詞t的文檔書 +1 是為了防止除以 0 導(dǎo)致溢出。

總結(jié)一下 TF-IDF ， TF 表示相同的詞在兩篇文章中出現(xiàn)的頻次越高，兩篇文章越相似； IDF 表示某個(gè)詞在所有文本中出現(xiàn)次數(shù)較少，只在某兩篇文章中出現(xiàn)幾次，則該兩篇文章具有較高相似度。

scikit-learn 已經(jīng)實(shí)現(xiàn)了 TF-IDF 算法，我們首先要安裝scikit-learn 組件。

pip install scikit-learn

使用python 實(shí)現(xiàn)，定義一個(gè)函數(shù)方法生成 TF-IDF 矩陣。

from sklearn.feature_extraction.text import TfidfVectorizer

def get_tfidf():
    try:
        with open('resultData/周杰倫/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)
    # 轉(zhuǎn)為數(shù)組形式
    tfidf_arr = tfidf.toarray()
    return tfidf_arr

打印輸出的矩陣，如下圖所示：

這個(gè)矩陣的形狀是 30 * 217 ，它表示 217 個(gè)分詞在 30 個(gè)文本中的 TF-IDF 值，值為0表示在此文章中沒有出現(xiàn)過。由于打印的不是完整的矩陣，所以上圖中的矩陣沒有將非0的值顯示出來。

K-means聚類

K-Means 聚類是一種常用的無監(jiān)督學(xué)習(xí)算法，用于將數(shù)據(jù)集分成K個(gè)簇（cluster），使得簇內(nèi)的數(shù)據(jù)點(diǎn)彼此之間盡可能相似，而簇間的數(shù)據(jù)點(diǎn)盡可能不同。 K-Means 算法的目標(biāo)是最小化簇內(nèi)數(shù)據(jù)點(diǎn)到簇中心的距離之和。

我們需要使用 nltk 組件調(diào)用 K-Means 算法。

pip install nltk

定義一個(gè)函數(shù)方法，獲取K-Means 聚類。

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類，使用余弦相似分析
    kmeans.cluster(tfidf_arr)
    # 獲取分類
    kinds = pd.Series([kmeans.classify(i) for i in tfidf_arr])
    
    fw = open('resultData/周杰倫/ClusterText.txt', 'a+', encoding='utf-8')
    for i, v in kinds.items():
        fw.write(str(i) + '\t' + str(v) + '\n')
    fw.close()

聚類結(jié)果保存在 ClusterText.txt 文件中，結(jié)果如圖所示：

圖中有兩列數(shù)字，第一列數(shù)字是從0到29按順序排列的數(shù)字，表示30個(gè)文本的序號(hào)。第二列數(shù)字表示5個(gè)聚類的序號(hào) 0~4。

獲取主題詞

前面幾步已經(jīng)得到了對(duì)周杰倫歌詞的聚類索引，但是我們并不清楚這些聚類索引代表什么含義，所以我們可以將這5個(gè)聚類里詞頻最高的幾個(gè)詞給提取出來。

定義一個(gè)函數(shù)方法，獲取分類文檔。

def cluster_text(text_cnt):
    index_cluser = []
    try:
        with open('resultData/周杰倫/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/周杰倫/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/周杰倫/cluster' + index_cluser[i][1] + '.txt', 'a+', encoding='utf-8')
                fw.write(line)
    fw.close()

將30個(gè)歌詞文本的聚類結(jié)果分別放入5個(gè)文件中。

其中一個(gè)cluster文件結(jié)果如下：

得到以上分類文檔以后，再分別統(tǒng)計(jì)各個(gè)聚類中頻次最高的幾個(gè)詞，定義一個(gè)函數(shù)方法，代碼如下：

from collections import Counter

def get_title(cluster, top_n=5):
    fw = open('resultData/周杰倫/title.txt', 'a+', encoding='utf-8')

    for i in range(cluster):
        try:
            with open('resultData/周杰倫/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('主題' + str(i) + '----------------------------------------------------\n詞頻統(tǒng)計(jì)結(jié)果：\n')
        fw.write('主題' + str(i) + '----------------------------------------------------\n詞頻統(tǒng)計(jì)結(jié)果：\n')
        # 輸出詞頻最高的那個(gè)詞，也可以輸出多個(gè)高頻詞
        for (k, v) in c.most_common(top_n):
            print(k, ':', v, '\n')
            fw.write(k + ':' + str(v) + '\n')
        fw.write('\n')

    fw.close()

執(zhí)行結(jié)果保存在 title.txt 文件中，我這里參數(shù) top_n 是傳的3，表示獲取3個(gè)主題詞，效果如圖所示：

因?yàn)闃颖咀龅谋容^少，所以詞頻統(tǒng)計(jì)的數(shù)量不多，所以代表性也不是很強(qiáng)。另一個(gè)原因是 K-means 算法是一種無監(jiān)督算法，一開始要定義好聚類的數(shù)量，算法根據(jù)聚類的數(shù)量隨機(jī)選取聚類中心點(diǎn)，中心點(diǎn)選的不準(zhǔn)會(huì)極大影響聚類結(jié)果的準(zhǔn)確度。所以可以定義不同的聚類數(shù)量多計(jì)算幾次，直到滿意為止。

主流程方法

主流程 main 方法基本是調(diào)用上文中列表的所有函數(shù)方法，按步驟開始執(zhí)行。

此外，還定義了一個(gè) delete_files_in_directory 函數(shù)用來在生成聚類結(jié)果之前先刪除上一次生成的結(jié)果，否則生成的結(jié)果txt文件會(huì)疊加上一次的結(jié)果。

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
    # 遍歷目錄中的所有文件
    for filename in os.listdir(directory):
        file_path = os.path.join(directory, filename)
        # 檢查路徑是否為文件（而非子目錄等）
        if os.path.isfile(file_path):
            # 刪除文件
            os.remove(file_path)

if __name__ == '__main__':
    # 定義聚類的個(gè)數(shù)
    cluster = 5
    # 定義主題詞個(gè)數(shù)
    top_n = 3

    # 刪除上一次的結(jié)果數(shù)據(jù)
    delete_files_in_directory('resultData/周杰倫')

    # 結(jié)巴分詞
    jiebaword = get_jiebaword()

    # 獲取停用詞
    stopword = get_stopword()

    # ---停用詞補(bǔ)充,視具體情況而定---
    for i in range(30):
        stopword.append(str(i+1))

    stopword.append('一路')
    stopword.append('向北')

    # ----------------------
    # 去除停用詞
    clean_stopword(jiebaword, stopword)

    # 獲取tfidf矩陣
    tfidf_arr = get_tfidf()
    text_cnt = tfidf_arr.shape[0]

    # ---輸出測(cè)試---
    # print(tfidf_arr)
    # print(tfidf_arr.shape)
    # -------------

    # K-means聚類
    get_cluster(tfidf_arr, cluster)

    # 獲取分類文件
    cluster_text(text_cnt)

    # 統(tǒng)計(jì)出主題詞
    get_title(cluster, top_n)

以上就是Python使用K-means實(shí)現(xiàn)文本聚類功能的詳細(xì)內(nèi)容，更多關(guān)于Python K-means文本聚類的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: