【python資料探勘課程】二十四.KMeans文字聚類分析互動百科語料

Eastmount發表於2018-07-06

這是《Python資料探勘課程》系列文章，也是我上課內容及書籍中的一個案例。本文主要講述文字聚類相關知識，包括中文分詞、資料清洗、特徵提取、TF-IDF、KMeans聚類等步驟。
本篇文章為基礎性文章，希望對你有所幫助，提供些思路，也是自己教學的內容。如果文章中存在錯誤或不足之處，還請海涵。同時，推薦大家閱讀我以前的文章瞭解其他知識。

這篇文章程式碼和實驗分析為主，不進行詳細講解，詳見：
[python] 基於k-means和tfidf的文字聚類程式碼簡單實現
 [python] Kmeans文字聚類演算法+PAC降維+Matplotlib顯示聚類影象

PSS：最近參加CSDN2018年部落格評選，希望您能投出寶貴的一票。我是59號，Eastmount，楊秀璋。投票地址：https://bss.csdn.net/m/topic/blog_star2018/index

五年來寫了314篇部落格，12個專欄，是真的熱愛分享，熱愛CSDN這個平臺，也想幫助更多的人，專欄包括Python、資料探勘、網路爬蟲、影象處理、C#、Android等。現在也當了兩年老師，更是覺得有義務教好每一個學生，讓貴州學子好好寫點程式碼，學點技術，"師者，傳到授業解惑也"，提前祝大家新年快樂。2019我們攜手共進，為愛而生。

一. Python文字抓取

爬蟲主要通過Python+Selenium+Phantomjs實現，爬取互動百科旅遊景點資訊，其中爬取百度百科程式碼如下。
參考前文：[Python爬蟲] Selenium獲取百度百科旅遊景點的InfoBox訊息盒
爬取的資料集如下圖所示，互動百科的每類主題各100篇網頁文字，涉及人物明星、旅遊景區、動物、世界國家四個主題。執行結果如下圖所示：

實現原理：

我們首先分析互動百科搜尋詞條的一些規則，比如搜尋人物“貴州”，對應的超鏈為“http://www.baike.com/wiki/貴州”，對應頁面如圖9.16所示，從圖中可以看到，頂部的超連結URL、詞條為“貴州”、第一段為“貴州”的摘要資訊、“右邊為對應的圖片等資訊。

同理，搜尋程式語言“Python”，對應的超連結為“http://www.baike.com/wiki/Python”，可以得出一個簡單的規則，即“http://www.baike.com/wiki/詞條”可以搜尋對應的知識，如程式語言“Java”對應的“http://www.baike.com/wiki/Java&prd=button_doc_entry”，這裡定義了搜尋方式，它是通過點選按鈕“進入詞條”進行搜尋的，省略“prd=button_doc_entry”引數同樣可以得到相同的結果。

然後，需要分佈獲取這十門語言的摘要資訊。在瀏覽器中選中摘要部分，右鍵滑鼠點選“審查元素”返回結果如圖9.18所示，可以在底部看到摘要部分對應的HTML原始碼。

"Python" 詞條摘要部分對應的HTML核心程式碼如下所示：

<div class="summary" name="anchor" id="anchor">
<p>Python（英語發音：/ˈpaɪθən/），是一種物件導向、解釋型計算機程式設計語言，由Guido van Rossum於1989年發明...</p>
  <span><a action="editsummaryhref" href="javascript:void(0);" 
onclick="editSummary();return false;">
編輯摘要
</a></span>
</div>

呼叫Selenium的find_element_by_xpath("//summary[@class='summary']/p")函式，可以獲取摘要段落資訊，核心程式碼如下。

driver = webdriver.Firefox()
url = "http://www.baike.com/wiki/" + name
driver.get(url)
elem = driver.find_element_by_xpath("//div[@class='summary']/p")  
print elem.text

這段程式碼的基本步驟是:
1.首先呼叫webdriver.Firefox()驅動，開啟火狐瀏覽器。
2.分析網頁超連結，並呼叫driver.get(url)函式訪問。
3.分析網頁DOM樹結構，呼叫driver.find_element_by_xpath()進行分析。
4.輸出結果，部分網站的內容需要儲存至本地，並且需要過濾掉不需要的內容等。
下面是完整的程式碼及詳細講解，參考自己的書籍《Python網路資料爬取及分析從入門到精通（爬取篇）》。

# coding=utf-8  
# test09_03.py                
import os  
import codecs
from selenium import webdriver      
from selenium.webdriver.common.keys import Keys       

driver = webdriver.Firefox()

#獲取摘要資訊
def getAbstract(name):  
    try:
        #新建資料夾及檔案
        basePathDirectory = "Hudong_Coding"  
        if not os.path.exists(basePathDirectory):  
            os.makedirs(basePathDirectory)  
        baiduFile = os.path.join(basePathDirectory,"HudongSpider.txt")
        #檔案不存在新建,存在則追加寫入
        if not os.path.exists(baiduFile):  
            info = codecs.open(baiduFile,'w','utf-8')  
        else:  
            info = codecs.open(baiduFile,'a','utf-8')  

        url = "http://www.baike.com/wiki/" + name
        print url
        driver.get(url)  
        elem = driver.find_element_by_xpath("//div[@class='summary']/p")  
        print elem.text
        info.writelines(elem.text+'\r\n')  
          
    except Exception,e: 
        print "Error: ",e  
    finally:  
        print '\n'  
        info.write('\r\n')  
  
#主函式  
def main():
    languages = ["JavaScript", "Java", "Python", "Ruby", "PHP",
                 "C++", "CSS", "C#", "C", "GO"]
    print u'開始爬取'
    for lg in languages:  
        print lg
        getAbstract(lg)  
    print u'結束爬取'  

if __name__ == '__main__':
    main()

輸出如下圖所示，將資料集換成對應的景區即可。

二. 資料預處理

由於爬取的資料集都是分佈於四個主題資料夾中，每個檔案中共100個，所以需要將這四個主題的文字合併成一個txt檔案，其程式碼如下：

# coding=utf-8            
import re          
import os  
import sys
import codecs
import shutil
 
def merge_file():
    path = "BaiduSpiderSpots\\"
    resName = "BaiduSpider_Result.txt"
    if os.path.exists(resName):
        os.remove(resName)
    result = codecs.open(resName, 'w', 'utf-8')
 
    num = 1
    while num <= 100:
        name = "%04d" % num 
        fileName = path + str(name) + ".txt"
        source = open(fileName, 'r')
        line = source.readline()
        line = line.strip('\n')
        line = line.strip('\r')
 
        while line!="":
            line = unicode(line, "utf-8")
            line = line.replace('\n',' ')
            line = line.replace('\r',' ')
            result.write(line+ ' ')
            line = source.readline()
        else:
            print 'End file: ' + str(num)
            result.write('\r\n')
            source.close()
        num = num + 1
        
    else:
        print 'End All'
        result.close()    
 
if __name__ == '__main__':
    merge_file()

合併後的結果如下圖所示，生成的HudongSpider_Result.txt共400個，1-100為動物、101-200為景區、201-300位人物、301-400為國家，每一行表示所爬取的一個網頁文字。

三. 中文分詞

中文分詞主要使用的是Python+Jieba分詞工具，程式碼如下：

#encoding=utf-8
import sys
import re
import codecs
import os
import shutil
import jieba
import jieba.analyse
 
#匯入自定義詞典
#jieba.load_userdict("dict_baidu.txt")
 
#Read file and cut
def read_file_cut():

    fileName = "HudongSpider_Result.txt"
    source = open(fileName, 'r')
    resName = "Stop_HudongSpider_Result.txt"
    result = codecs.open(resName, 'w', 'utf-8')
    line = source.readline()
        
    while line!="":
        line = unicode(line, "utf-8")
        seglist = jieba.cut(line,cut_all=False)  #精確模式
        output = ' '.join(list(seglist))         #空格拼接
        #print output
        result.write(output)
        line = source.readline()
    else:
        source.close()
        result.close()
        print 'End All'
 
#Run function
if __name__ == '__main__':
    read_file_cut()sc

輸出結果如下圖所示，採用空格連線，同時可以匯入詞典進行分詞。分詞之後，也可以進行停用詞過濾、特殊符號去除等資料清洗，這裡不再介紹，詳見前文。

四. KMeans聚類分析

需要將文件相似度問題轉換為數學向量矩陣問題，可以通過向量空間模型來儲存每個文件的詞頻和權重，特徵抽取完後，因為每個詞語對實體的貢獻度不同，所以需要對這些詞語賦予不同的權重。計算詞項在向量中的權重方法——TF-IDF。

相關介紹：
它表示TF（詞頻）和IDF（倒文件頻率）的乘積：

其中TF表示某個關鍵詞出現的頻率，IDF為所有文件的數目除以包含該詞語的文件數目的對數值。

|D|表示所有文件的數目，|w∈d|表示包含詞語w的文件數目。
最後TF-IDF計算權重越大表示該詞條對這個文字的重要性越大，它的目的是去除一些"的、了、等"出現頻率較高的常用詞。

參考前文：Python簡單實現基於VSM的餘弦相似度計算
基於VSM的命名實體識別、歧義消解和指代消解

下面是使用scikit-learn工具呼叫CountVectorizer()和TfidfTransformer()函式計算TF-IDF值，同時呼叫sklearn.cluster中的KMeans演算法進行文字聚類。

完整程式碼：

# coding=utf-8  
import time          
import re          
import os  
import sys
import codecs
import shutil
import numpy as np
import matplotlib
import scipy
import matplotlib.pyplot as plt
from sklearn import feature_extraction  
from sklearn.feature_extraction.text import TfidfTransformer  
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import HashingVectorizer 
 
if __name__ == "__main__":
    
    #########################################################################
    #                           第一步 計算TFIDF
    
    #文件預料 空格連線
    corpus = []
    
    #讀取預料 一行預料為一個文件
    for line in open('Stop_HudongSpider_Result.txt', 'r').readlines():
        #print line
        corpus.append(line.strip())
    #print corpus
 
    #參考: http://blog.csdn.net/abcjennifer/article/details/23615947
    #vectorizer = HashingVectorizer(n_features = 4000)
    
    #將文字中的詞語轉換為詞頻矩陣 矩陣元素a[i][j] 表示j詞在i類文字下的詞頻
    vectorizer = CountVectorizer()
 
    #該類會統計每個詞語的tf-idf權值
    transformer = TfidfTransformer()
 
    #第一個fit_transform是計算tf-idf 第二個fit_transform是將文字轉為詞頻矩陣
    tfidf = transformer.fit_transform(vectorizer.fit_transform(corpus))
 
    #獲取詞袋模型中的所有詞語  
    word = vectorizer.get_feature_names()
    
    #將tf-idf矩陣抽取出來，元素w[i][j]表示j詞在i類文字中的tf-idf權重
    weight = tfidf.toarray()
 
    #列印特徵向量文字內容
    print 'Features length: ' + str(len(word))
    resName = "BHTfidf_Result.txt"
    result = codecs.open(resName, 'w', 'utf-8')
    for j in range(len(word)):
        result.write(word[j] + ' ')
    result.write('\r\n\r\n')
 
    #列印每類文字的tf-idf詞語權重，第一個for遍歷所有文字，第二個for便利某一類文字下的詞語權重  
    for i in range(len(weight)):
        #print u"-------這裡輸出第", i, u"類文字的詞語tf-idf權重------"  
        for j in range(len(word)):
            #print weight[i][j],
            result.write(str(weight[i][j]) + ' ')
        result.write('\r\n\r\n')
 
    result.close()
 
 
    ########################################################################
    #                               第二步 聚類Kmeans
 
    print 'Start Kmeans:'
    from sklearn.cluster import KMeans
    clf = KMeans(n_clusters=4)   #景區 動物 人物 國家
    s = clf.fit(weight)
    print s
 
    '''
    print 'Start MiniBatchKmeans:'
    from sklearn.cluster import MiniBatchKMeans
    clf = MiniBatchKMeans(n_clusters=20)
    s = clf.fit(weight)
    print s
    '''
 
    #中心點
    print(clf.cluster_centers_)
    
    #每個樣本所屬的簇
    label = []               #儲存400個類標 
    print(clf.labels_)
    i = 1
    while i <= len(clf.labels_):
        print clf.labels_[i-1]
        label.append(clf.labels_[i-1])
        i = i + 1
 
    #用來評估簇的個數是否合適，距離越小說明簇分的越好，選取臨界點的簇個數  958.137281791
    print(clf.inertia_)
    y_pred = clf.labels_
    
 
 
    ########################################################################
    #                               第三步 圖形輸出 降維
 
    from sklearn.decomposition import PCA
    pca = PCA(n_components=2)             #輸出兩維
    newData = pca.fit_transform(weight)   #載入N維
    print newData

    x = [n[0] for n in newData]
    y = [n[1] for n in newData]

    x1, y1 = [], []   
    x2, y2 = [], [] 
    x3, y3 = [], []
    x4, y4 = [], []
    
    #分佈獲取類標為0、1、2、3的資料 賦值給(x1,y1) (x2,y2) (x3,y3) (x4,y4)
    i = 0  
    while i < len(newData):  
        if y_pred[i]==0:  
            x1.append(newData[i][0])  
            y1.append(newData[i][1])  
        elif y_pred[i]==1:  
            x2.append(newData[i][0])  
            y2.append(newData[i][1])  
        elif y_pred[i]==2:  
            x3.append(newData[i][0])  
            y3.append(newData[i][1])
        elif y_pred[i]==3:  
            x4.append(newData[i][0])  
            y4.append(newData[i][1])
        i = i + 1
        
    #四種顏色 紅 綠 藍，marker='x'表示型別，o表示圓點 *表示星型 x表示點   
    plot1, = plt.plot(x1, y1, 'or', marker="o", markersize=10)    
    plot2, = plt.plot(x2, y2, 'og', marker="o", markersize=10)    
    plot3, = plt.plot(x3, y3, 'ob', marker="o", markersize=10)
    plot4, = plt.plot(x4, y4, 'oy', marker="o", markersize=10)   
    #plt.title("K-Means Text Clustering")  #繪製標題
    plt.legend((plot1, plot2, plot3, plot4), ('A', 'B', 'C', 'D'), fontsize=10)  
 
    #四種顏色 紅 綠 藍 黑
    #plt.scatter(x1, x2, c=clf.labels_,  s=100)
    plt.show()

輸出結果如下所示，將400個網頁文字聚整合4類（類標0~3），每一類表示人物、景區、國家、動物。

[3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 0 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 2 0 2 2 2 2 2 2 2 2 2 0 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 0 2 2 2 2 0 2 2 2
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]

同時繪製相關圖形如下所示，注意散點圖類標的繪製。

五. 結果評價

這裡我想結合文字聚類簡單敘述下最常用的評估方法：
正確率 Precision = 正確識別的個體總數 / 識別出的個體總數
召回率 Recall = 正確識別的個體總數 / 測試集中存在的個體總數
F值 F-measure = 正確率 * 召回率 * 2 / (正確率 + 召回率)

由於"clf.labels_"會返回聚類每個樣本所屬的簇，比如400行資料，就會返回400個label值。同時，clf = KMeans(n_clusters=4)設定了類簇為4，故每個值對應在0、1、2、3中的一個，統計結果如下：

動物：99識別正確、共識別100個
國家：97識別正確、共識別97個
人物：98識別正確、共識別98個
景區：99識別正確、共識別105個

其中以景區為例，識別出的label3數目為105，同時正確識別出的個體數=99，總共測試樣本共100個，故：
準確率=99/105=0.9429
召回率=99/100=0.9900
F值=(2*0.9429*0.9900)/(0.9429+0.9900)=0.9659
最終輸出結果如下所示：

同時可以計算巨集平均聚類準確率（Macro-Prec）和巨集平均召回率（Macro-Rec）。

希望基礎性文章對您有所幫助，如果文章中有錯誤或不足之處還請海涵。
最後推薦作者的最新出版書籍：

本書主要包括上下兩冊：

《Python網路資料爬取及分析從入門到精通（爬取篇）》
《Python網路資料爬取及分析從入門到精通（分析篇）》

(By:Eastmount 2018-07-06 深夜8點 http://blog.csdn.net/eastmount/ )

kmeans實現文字聚類
2017-06-22
聚類
資料探勘-層次聚類
2020-12-02
聚類
資料探勘之層次聚類
2021-03-16
聚類
【python資料探勘課程】二十七.基於SVM分類器的紅酒資料分析
2019-01-16
Python
【python資料探勘課程】二十五.Matplotlib繪製帶主題及聚類類標的散點圖
2018-07-18
Python聚類
【python資料探勘課程】十六.邏輯迴歸LogisticRegression分析鳶尾花資料
2017-09-10
Python邏輯迴歸
【python資料探勘課程】十一.Pandas、Matplotlib結合SQL語句視覺化分析
2017-03-17
PythonSQL視覺化
【python資料探勘課程】十二.Pandas、Matplotlib結合SQL語句對比圖分析
2017-03-20
PythonSQL
【python資料探勘課程】十三.WordCloud詞雲配置過程及詞頻分析
2017-03-21
PythonCloud
【python資料探勘課程】二十一.樸素貝葉斯分類器詳解及中文文字輿情分析
2018-01-24
Python
Python資料探勘與分析速成班-CSDN公開課-專題視訊課程
2017-05-25
Python
【Python資料探勘課程】九.迴歸模型LinearRegression簡單分析氧化物資料
2017-03-05
Python模型
資料處理聚類分析
2017-12-14
聚類
mahout之聚類演算法——KMeans分析
2013-10-13
聚類演算法
【python資料探勘課程】二十.KNN最近鄰分類演算法分析詳解及平衡秤TXT資料集讀取
2017-12-08
PythonKNN演算法
《資料分析與資料探勘》--天津大學公開課
2020-10-09
【python資料探勘課程】二十六.基於SnowNLP的豆瓣評論情感分析
2018-12-21
Python
萌新向Python資料分析及資料探勘前言
2018-12-25
Python
【python資料探勘課程】十七.社交網路Networkx庫分析人物關係（初識篇）
2017-11-05
Python
重磅 | 資料探勘之父韓家煒：文字語料庫的資料探勘（附視訊+PPT下載）
2018-01-10
Python資料分析之糗事百科
2017-05-26
Python
【python資料探勘課程】十九.鳶尾花資料集視覺化、線性迴歸、決策樹花樣分析
2017-12-02
Python視覺化
資料探勘方向分析
2009-12-31
資料探勘的資料分析方法
2014-12-13
資料探勘聚類之k-medoids演算法實現
2017-01-20
聚類演算法
【Python資料探勘課程】六.Numpy、Pandas和Matplotlib包基礎知識
2016-11-14
Python
【python資料探勘課程】十五.Matplotlib呼叫imshow()函式繪製熱圖
2017-06-20
Python函式
【Python資料探勘課程】七.PCA降維操作及subplot子圖繪製
2016-11-26
PythonPCA
【python資料探勘課程】十八.線性迴歸及多項式迴歸分析四個案例分享
2017-11-26
Python
Kmeans如何初始化聚類中心
2018-10-12
聚類
【python資料探勘課程】十四.Scipy呼叫curve_fit實現曲線擬合
2017-05-07
Python
Python有哪些資料探勘工具?五大類
2021-07-05
Python
資料探勘之KMeans演算法應用與簡單理解
2019-07-23
演算法
大資料、資料分析、資料探勘的差別
2017-10-09
大資料
【python資料探勘課程】二十三.時間序列金融資料預測及Pandas庫詳解
2018-05-09
Python
102、聚類Kmeans演算法
2017-12-08
聚類演算法
呼叫WEKA包進行kmeans聚類（java）
2015-07-03
聚類Java
資料分析與挖掘 - R語言：K-means聚類演算法
2016-05-02
R語言聚類演算法