作者|Manmohan Singh
编译|VK
起源|Towards Datas Science
当我要求你解释文本数据时，你会怎么做？你将采取什么步骤来构建文本可视化？
本文将帮忙你取得构建可视化和解释文本数据所需的信息。
从文本数据中取得的见解将有助于咱们发现文章之间的分割。它将检测趋势和模式。对文本数据的剖析将排除乐音，发现以前未知的信息。
这种剖析过程也称为探索性文本剖析(ETA)。使用K-means、Tf-IDF、词频等办法对这些文本数据进行剖析。此外，ETA在数据清理过程中也很有用。
咱们还应用Matplotlib、seaborn和Plotly库将后果可视化到图形、词云和绘图中。
在剖析文本数据之前，请实现这些预处理工作。
从数据源检索数据
有很多非结构化文本数据可供剖析。你能够从以下起源获取数据。
- 来自Kaggle的Twitter文本数据集。
- Reddit和twitter数据集应用API。
- 应用Beautifulsoup从网站上获取文章、。
我将应用路透社的SGML格局的文章。为了便于剖析，我将应用beauthoulsoup库从数据文件中获取日期、题目和文章正文。
应用上面的代码从所有数据文件中获取数据，并将输入存储在单个CSV文件中。
from bs4 import BeautifulSoupimport pandas as pdimport csvarticle_dict = {}i = 0list_of_data_num = []for j in range(0,22): if j < 10: list_of_data_num.append("00" + str(j)) else: list_of_data_num.append("0" + str(j))# 循环所有文章以提取日期、题目和文章主体for num in list_of_data_num: try: soup = BeautifulSoup(open("data/reut2-" + num + ".sgm"), features='lxml') except: continue print(num) data_reuters = soup.find_all('reuters') for data in data_reuters: article_dict[i] = {} for date in data.find_all('date'): try: article_dict[i]["date"] = str(date.contents[0]).strip() except: article_dict[i]["date"] = None # print(date.contents[0]) for title in data.find_all('title'): article_dict[i]["title"] = str(title.contents[0]).strip() # print(title.contents) for text in data.find_all('text'): try: article_dict[i]["text"] = str(text.contents[4]).strip() except: article_dict[i]["text"] = None i += 1dataframe_article = pd.DataFrame(article_dict).Tdataframe_article.to_csv('articles_data.csv', header=True, index=False, quoting=csv.QUOTE_ALL)print(dataframe_article)- 还能够应用Regex和OS库组合或循环所有数据文件。
- 每篇文章的注释以<Reuters>结尾，因而应用find_all('reuters')。
- 你也能够应用pickle模块来保留数据，而不是CSV。
荡涤数据
在本节中，咱们将从文本数据中移除诸如空值、标点符号、数字等噪声。首先，咱们删除文本列中蕴含空值的行。而后咱们解决另一列的空值。
import pandas as pd import rearticles_data = pd.read_csv(‘articles_data.csv’) print(articles_data.apply(lambda x: sum(x.isnull()))) articles_nonNull = articles_data.dropna(subset=[‘text’]) articles_nonNull.reset_index(inplace=True)def clean_text(text):‘’’Make text lowercase, remove text in square brackets,remove \n,remove punctuation and remove words containing numbers.’’’ text = str(text).lower() text = re.sub(‘<.*?>+’, ‘’, text) text = re.sub(‘[%s]’ % re.escape(string.punctuation), ‘’, text) text = re.sub(‘\n’, ‘’, text) text = re.sub(‘\w*\d\w*’, ‘’, text) return textarticles_nonNull[‘text_clean’]=articles_nonNull[‘text’]\ .apply(lambda x:clean_text(x))- 当咱们删除文本列中的空值时，其余列中的空值也会隐没。
- 咱们应用re办法去除文本数据中的噪声。
数据清理过程中采取的步骤可能会依据文本数据减少或缩小。因而，请认真钻研你的文本数据并相应地构建clean_text()办法。
随着预处理工作的实现，咱们将持续剖析文本数据。
让咱们从剖析开始。
1.路透社文章篇幅
咱们晓得所有文章的篇幅不一样。因而，咱们将思考长度等于或超过一段的文章。依据钻研，一个句子的均匀长度是15-20个单词。一个段落应该有四个句子。
articles_nonNull[‘word_length’] = articles_nonNull[‘text’].apply(lambda x: len(str(x).split())) print(articles_nonNull.describe())articles_word_limit = articles_nonNull[articles_nonNull[‘word_length’] > 60]plt.figure(figsize=(12,6)) p1=sns.kdeplot(articles_word_limit[‘word_length’], shade=True, color=”r”).set_title(‘Kernel Distribution of Number Of words’)- 我删除了那些篇幅有余60字的文章。
- 字长散布是右偏的。
- 大多数文章有150字左右。
- 蕴含事实或股票信息的路透社文章用词较少。
2.路透社文章中的常用词
在这一部分中，咱们统计了文章中呈现的字数，并对后果进行了剖析。咱们基于N-gram办法对词数进行了剖析。N-gram是基于N值的单词的呈现。
咱们将从文本数据中删除停用词。因为停用词是乐音，在剖析中没有太大用处。
1最常见的单字单词(N=1)
让咱们在条形图中绘制unigram单词，并为unigram单词绘制词云。
from gensim.parsing.preprocessing import remove_stopwords import genism from wordcloud import WordCloud import numpy as np import random # 从gensim办法导入stopwords到stop_list变量# 你也能够手动增加stopwordsgensim_stopwords = gensim.parsing.preprocessing.STOPWORDS stopwords_list = list(set(gensim_stopwords)) stopwords_update = ["mln", "vs","cts","said","billion","pct","dlrs","dlr"] stopwords = stopwords_list + stopwords_updatearticles_word_limit['temp_list'] = articles_word_limit['text_clean'].apply(lambda x:str(x).split())# 从文章中删除停用词def remove_stopword(x): return [word for word in x if word not in stopwords]articles_word_limit['temp_list_stopw'] = articles_word_limit['temp_list'].apply(lambda x:remove_stopword(x))# 生成ngram的单词def generate_ngrams(text, n_gram=1): ngrams = zip(*[text[i:] for i in range(n_gram)]) return [' '.join(ngram) for ngram in ngrams] article_unigrams = defaultdict(int)for tweet in articles_word_limit['temp_list_stopw']: for word in generate_ngrams(tweet): article_unigrams[word] += 1 article_unigrams_df = pd.DataFrame(sorted(article_unigrams.items(), key=lambda x: x[1])[::-1])N=50# 在路透社的文章中前50个罕用的unigramfig, axes = plt.subplots(figsize=(18, 50))plt.tight_layout()sns.barplot(y=article_unigrams_df[0].values[:N], x=article_unigrams_df[1].values[:N], color='red')axes.spines['right'].set_visible(False)axes.set_xlabel('')axes.set_ylabel('')axes.tick_params(axis='x', labelsize=13)axes.tick_params(axis='y', labelsize=13)axes.set_title(f'Top {N} most common unigrams in Reuters Articles', fontsize=15)plt.show()# 画出词云def col_func(word, font_size, position, orientation, font_path, random_state): colors = ['#b58900', '#cb4b16', '#dc322f', '#d33682', '#6c71c4', '#268bd2', '#2aa198', '#859900'] return random.choice(colors)fd = { 'fontsize': '32', 'fontweight' : 'normal', 'verticalalignment': 'baseline', 'horizontalalignment': 'center',}wc = WordCloud(width=2000, height=1000, collocations=False, background_color="white", color_func=col_func, max_words=200, random_state=np.random.randint(1, 8)) .generate_from_frequencies(article_unigrams)fig, ax = plt.subplots(figsize=(20,10))ax.imshow(wc, interpolation='bilinear')ax.axis("off")ax.set_title(‘Unigram Words of Reuters Articles’, pad=24, fontdict=fd)plt.show()Share, trade, stock是一些最常见的词汇，它们是基于股票市场和金融行业的文章。
因而，咱们能够说，大多数路透社文章属于金融和股票类。
2.最常见的Bigram词(N=2)
让咱们为Bigram单词绘制条形图和词云。
article_bigrams = defaultdict(int)for tweet in articles_word_limit[‘temp_list_stopw’]: for word in generate_ngrams(tweet, n_gram=2): article_bigrams[word] += 1 df_article_bigrams=pd.DataFrame(sorted(article_bigrams.items(), key=lambda x: x[1])[::-1]) N=50# 前50个单词的柱状图fig, axes = plt.subplots(figsize=(18, 50), dpi=100)plt.tight_layout()sns.barplot(y=df_article_bigrams[0].values[:N], x=df_article_bigrams[1].values[:N], color=’red’)axes.spines[‘right’].set_visible(False)axes.set_xlabel(‘’)axes.set_ylabel(‘’)axes.tick_params(axis=’x’, labelsize=13)axes.tick_params(axis=’y’, labelsize=13)axes.set_title(f’Top {N} most common Bigrams in Reuters Articles’, fontsize=15)plt.show()#词云wc = WordCloud(width=2000, height=1000, collocations=False, background_color=”white”, color_func=col_func, max_words=200, random_state=np.random.randint(1,8))\ .generate_from_frequencies(article_bigrams) fig, ax = plt.subplots(figsize=(20,10))ax.imshow(wc, interpolation=’bilinear’)ax.axis(“off”)ax.set_title(‘Trigram Words of Reuters Articles’, pad=24, fontdict=fd)plt.show()Bigram比unigram提供更多的文本信息和上下文。比方，share loss显示：大多数人在股票上亏损。
3.最罕用的Trigram词
让咱们为trigma单词绘制条形图和词云。
article_trigrams = defaultdict(int)for tweet in articles_word_limit[‘temp_list_stopw’]: for word in generate_ngrams(tweet, n_gram=3): article_trigrams[word] += 1df_article_trigrams = pd.DataFrame(sorted(article_trigrams.items(), key=lambda x: x[1])[::-1]) N=50# 柱状图的前50个trigram fig, axes = plt.subplots(figsize=(18, 50), dpi=100)plt.tight_layout()sns.barplot(y=df_article_trigrams[0].values[:N], x=df_article_trigrams[1].values[:N], color=’red’)axes.spines[‘right’].set_visible(False)axes.set_xlabel(‘’)axes.set_ylabel(‘’)axes.tick_params(axis=’x’, labelsize=13)axes.tick_params(axis=’y’, labelsize=13)axes.set_title(f’Top {N} most common Trigrams in Reuters articles’, fontsize=15)plt.show()# 词云wc = WordCloud(width=2000, height=1000, collocations=False,background_color=”white”,color_func=col_func,max_words=200,random_state=np.random.randint(1,8)).generate_from_frequencies(article_trigrams)fig, ax = plt.subplots(figsize=(20,10))ax.imshow(wc, interpolation=’bilinear’)ax.axis(“off”)ax.set_title(‘Trigrams Words of Reuters Articles’, pad=24, fontdict=fd)plt.show()大多数的三元组都与双元组类似，但无奈提供更多信息。所以咱们在这里完结这一部分。
3.文本数据的命名实体辨认(NER)标记
NER是从文本数据中提取特定信息的过程。在NER的帮忙下，咱们从文本中提取地位、人名、日期、数量和组织实体。在这里理解NER的更多信息。咱们应用Spacy python库来实现这项工作。
import spacy from matplotlib import cmfrom matplotlib.pyplot import pltnlp = spacy.load('en_core_web_sm')ner_collection = {"Location":[],"Person":[],"Date":[],"Quantity":[],"Organisation":[]}location = []person = []date = []quantity = []organisation = []def ner_text(text): doc = nlp(text) ner_collection = {"Location":[],"Person":[],"Date":[],"Quantity":[],"Organisation":[]} for ent in doc.ents: if str(ent.label_) == "GPE": ner_collection['Location'].append(ent.text) location.append(ent.text) elif str(ent.label_) == "DATE": ner_collection['Date'].append(ent.text) person.append(ent.text) elif str(ent.label_) == "PERSON": ner_collection['Person'].append(ent.text) date.append(ent.text) elif str(ent.label_) == "ORG": ner_collection['Organisation'].append(ent.text) quantity.append(ent.text) elif str(ent.label_) == "QUANTITY": ner_collection['Quantity'].append(ent.text) organisation.append(ent.text) else: continue return ner_collection articles_word_limit['ner_data'] = articles_word_limit['text'].map(lambda x: ner_text(x)) location_name = []location_count = []for i in location_counts.most_common()[:10]: location_name.append(i[0].upper()) location_count.append(i[1])fig, ax = plt.subplots(figsize=(15, 8), dpi=100)ax.barh(location_name, location_count, alpha=0.7, # width = 0.5, color=cm.Blues([i / 0.00525 for i in [ 0.00208, 0.00235, 0.00281, 0.00317, 0.00362, 0.00371, 0.00525, 0.00679, 0.00761, 0.00833]]) )plt.rcParams.update({'font.size': 10})rects = ax.patchesfor i, label in enumerate(location_count): ax.text(label+100 , i, str(label), size=10, ha='center', va='center')ax.text(0, 1.02, 'Count of Location name Extracted from Reuters Articles', transform=ax.transAxes, size=12, weight=600, color='#777777')ax.xaxis.set_ticks_position('bottom')ax.tick_params(axis='y', colors='black', labelsize=12)ax.set_axisbelow(True)ax.text(0, 1.08, 'TOP 10 Location Mention in Reuters Articles', transform=ax.transAxes, size=22, weight=600, ha='left')ax.text(0, -0.1, 'Source: http://kdd.ics.uci.edu/databases/reuters21578/reuters21578.html', transform=ax.transAxes, size=12, weight=600, color='#777777')ax.spines['right'].set_visible(False)ax.spines['top'].set_visible(False)ax.spines['left'].set_visible(False)ax.spines['bottom'].set_visible(False)plt.tick_params(axis='y',which='both', left=False, top=False, labelbottom=False)ax.set_xticks([])plt.show()- 从这个图表中，你能够说大多数文章都蕴含来自美国、日本、加拿大、伦敦和中国的新闻。
- 对美国的高度评价代表了路透在美业务的重点。
- person变量示意1987年谁是名人。这些信息有助于咱们理解这些人。
- organization变量蕴含世界上提到最多的组织。
4.文本数据中的惟一词
咱们将在应用TF-IDF的文章中找到惟一的词汇。词频(TF)是每篇文章的字数。反向文档频率(IDF)同时思考所有提到的文章并掂量词的重要性，。
TF-IDF得分较高的词在一篇文章中的数量较高，而在其余文章中很少呈现或不存在。
让咱们计算TF-IDF分数并找出惟一的单词。
from sklearn.feature_extraction.text import TfidfVectorizertfidf_vectorizer = TfidfVectorizer(use_idf=True)tfidf_vectorizer_vectors=tfidf_vectorizer.fit_transform(articles_word_limit[‘text_clean’])tfidf = tfidf_vectorizer_vectors.todense()tfidf[tfidf == 0] = np.nan# 应用numpy的nanmean，在计算均值时疏忽nanmeans = np.nanmean(tfidf, axis=0)# 将其转换为一个字典，以便当前查找Means_words = dict(zip(tfidf_vectorizer.get_feature_names(), means.tolist()[0]))unique_words=sorted(means_words.items(), key=lambda x: x[1], reverse=True)print(unique_words)5.用K-均值聚类文章
K-Means是一种无监督的机器学习算法。它有助于咱们在一组中收集同一类型的文章。咱们能够通过初始化k值来确定组或簇的数目。理解更多对于K-Means以及如何在这里抉择K值。作为参考，我抉择k=4。
from sklearn.feature_extraction.text import TfidfVectorizerfrom sklearn.cluster import KMeansfrom sklearn.metrics import adjusted_rand_scorevectorizer = TfidfVectorizer(stop_words=’english’,use_idf=True)X = vectorizer.fit_transform(articles_word_limit[‘text_clean’])k = 4model = KMeans(n_clusters=k, init=’k-means++’, max_iter=100, n_init=1)model.fit(X)order_centroids = model.cluster_centers_.argsort()[:, ::-1]terms = vectorizer.get_feature_names()clusters = model.labels_.tolist()articles_word_limit.index = clustersfor i in range(k): print(“Cluster %d words:” % i, end=’’)for title in articles_word_limit.ix[i [[‘text_clean’,’index’]].values.tolist(): print(‘ %s,’ % title, end=’’)它有助于咱们将文章按不同的组进行分类，如体育、货币、金融等。K-Means的准确性广泛较低。
论断
NER和K-Means是我最喜爱的分析方法。其他人可能喜爱N-gram和Unique words办法。在本文中，我介绍了最驰名和闻所未闻的文本可视化和分析方法。本文中的所有这些办法都是举世无双的，能够帮忙你进行可视化和剖析。
我心愿这篇文章能帮忙你发现文本数据中的未知数。
原文链接：https://towardsdatascience.co...
欢送关注磐创AI博客站：
http://panchuang.net/
sklearn机器学习中文官网文档：
http://sklearn123.com/
欢送关注磐创博客资源汇总站：
http://docs.panchuang.net/