热门标签
当前位置: article > 正文
数据挖掘（一） TF-IDF算法
作者：煮酒与君饮 | 2024-07-09 10:10:19
赞
踩
tf-idf算法
语句的主题词提取技术 TF-IDF
1、什么是情报的主题词
对于一段话，具有表征它描述内容的，可以称之为主题词。
这些都可以成为关键词，也就是说一句话可以有多个关键词，例如：
这样一句话，我们认为，王小二、山顶、求婚可以称之为主题词。
2、为什么要进行主题词的提取
作为用来进行计算机进行数据挖掘的材料，比较显然的是，通过一段描述性的话，是很难进行的。而用主题词来表征一句话的含义，可以很好的实现相关信息的查找。
3、如何进行主题词的提取
主题词的提取，在这里我们基于TF-IDF算法来实现。
3.1 算法思路
核心思想：词的重要性，可以被量化，通过分值的高低，实现主题词的提取。
算法实现的也就是词的重要性打分，而TF-IDF算法，也可以看作TF*IDF
也就是TF分
（比较好理解，一个词在语句中出现的次数很多，那么它可能比较重要）
和IDF分
（它的意思是，在多个语句中都出现词，像的、地、得这样的助词，没有实在的含义，基本不会成为主题词）
那么将TF值与IDF值相乘，所得到的TF*IDF则可以作为这个词在该句中的一个评分量化，进而根据设置阈值，大于这个阈值的词成为该句的主题词（所以一个句子，可以有多个主题词，也可以没有）
3.2 算法实现
使用python语言的实现过程
3.2.1 读取数据与预处理
使用的是csv文件
结构如下：
Description就是我们要处理的语句内容，在每一行的第7列（后面用6进行索引，列表计数从0开始），下面写个代码，读取一下
import csv # 读取数据 with open('attacks.csv', 'r', encoding='UTF-8') as csv文件: 文件内容 = csv.reader(csv文件) 文件内容列表 = list(文件内容) # print(文件内容列表) pass # 列表存储词条 大词条库 = [] def 删除字符函数(输入0): """ :param 输入0: 待处理的字符串 :return: 删除无用字符后的字符串 """ 删除字符 = "()[],.'&-…/1234567890:" 处理 = 输入0 for i in 删除字符: 处理 = 处理.replace(i, ' ') # 由于 " 无法和 "" 同时出现,这里再进行一次删除后返回 return 处理.replace('"', ' ') for 序号0, 记录 in enumerate(文件内容列表): """ 记录[6]：即Description下的语句字符串 删除字符函数(记录[6])：返回删除了无关字符的字符串 删除字符函数(记录[6]).split(' ')：以 " " 空格进行字符串划分, 返回一个分割成字符的列表 然后添加进大词条库 """ 大词条库.append( 删除字符函数(记录[6]).split(' ')) """ 当取出语句字符串后,将它删除,以便之后存入选好的主题词列表 判断语句表示表头Description不做改动 """ if 序号0 != 0: 文件内容列表[序号0].remove(记录[6])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
效果
至此，我们得到了待处理的语句词条大列表了，其中每一个小列表，都是一条语句的词汇内容。
3.2.2 词频统计
这里完成了对词在语句中个数、以及词出现过的句子的数目的统计
class 我的tf_idf类: def __init__(self, 待处理大词条库, TFIDF阈值=0.3, 频繁模式阈值=0.2): """ :param 待处理大词条库: 2维列表形式,第一维列表保存有一个段字库 """ self.初始大词条库 = 待处理大词条库 self.语句总数 = len(待处理大词条库) self.总词条词频库 = [] self.总词条单词评分库 = [] self.词在句出现总频库 = {} self.TFIDF阈值 = TFIDF阈值 self.总词条主题词库 = [] self.频繁模式阈值 = 频繁模式阈值 self.频繁模式表 = [] def 语句词库(self, 词条分词库): """ :param 词条分词库: 输入的是一条语句的词汇列表 :return: 返回该词汇列表各个词汇的词频统计字典 以及self.词在句出现总频库 这个是统计词汇在各个语句中出现的情况 """ """ 词条词频库：使用字典进行词频统计，字典使用字符串（称为键）进行索引，得到键值， 键值反复被键（也就是某个词汇）索引累加，完成词频统计 重复记录：在完成语句词频的统计时，也完成了对这个词在语句中出现的次数， 由于一句只统计一次，所以需要在此记录一下，是否这个词在该列表被统计过了 """ 词条词频库 = {} 重复记录 = [] for 单词 in 词条分词库: """ 这里出现的try/except都是为了做一件事， try：给字典里面的字符串键值加1， except：这个键不在字典里，则添加进去，初始化键值为1 """ try: 词条词频库[单词] += 1 """ 若单词在重复记录出现了，则跳过 若没有，则记录入重复记录列表 同时在self.词在句出现总频库中给这个词汇的键值加1 """ if 单词 in 重复记录: pass else: 重复记录.append(单词) try: self.词在句出现总频库[单词] += 1 except: self.词在句出现总频库.update({单词: 1}) pass except: 词条词频库.update({单词: 1}) """ 若单词在重复记录出现了，则跳过 若没有，则记录入重复记录列表 同时在self.词在句出现总频库中给这个词汇的键值加1 """ if 单词 in 重复记录: pass else: 重复记录.append(单词) try: self.词在句出现总频库[单词] += 1 except: self.词在句出现总频库.update({单词: 1}) pass return 词条词频库 pass def 文本词库(self): """ :return: None """ """ 对每条语句词库重复调用 在self.总词条词频库记录所有的语句以及其词频 """ for 词条 in self.初始大词条库: self.总词条词频库.append(self.语句词库(词条)) pass
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
运行
3.2.3 TF-IDF算法主体
完成了词汇数目的统计，下面的算法就很容易了
def tf_idf函数(self, 单词条频库): """ :param 单词条频库: 输入单词条评分 :return: 无 """ """ 这里还使用了self.词在句出现总频库, 也就是查找词在某些句子中出现的语句数 """ 单词评分库 = {} 词总数 = sum(list(单词条频库.values())) for 单词 in 单词条频库: 单词TF分数 = 单词条频库[单词] / 词总数 单词IDF分数 = log(self.语句总数 / (self.词在句出现总频库[单词] + 1)) 单词评分库.update({单词: 单词TF分数 * 单词IDF分数}) return 单词评分库 def tf_idf加速函数(self): self.总词条单词评分库 = list(map(self.tf_idf函数, self.总词条词频库)) pass def tf_idf阈值划分(self, 单词条评分): """ :param 单词条评分: 输入单词条评分库 :return: """ 主题词 = {} for 词汇 in 单词条评分: if 单词条评分[词汇] >= self.TFIDF阈值: 主题词.update({词汇: 单词条评分[词汇]}) pass pass return 主题词 def tf_idf阈值划分加速函数(self): """ 对 tf_idf阈值划分调用 :return: 无 """ self.总词条主题词库 = list(map(self.tf_idf阈值划分, self.总词条单词评分库)) pass
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
至此，需要的处理结果就提取到了
主函数显示结果
这里包括了TF-IDF的算法结果，还有基于不同语义下的等价类划分，直观的讲，就是将一些列抽出来，组成集合，再在集合内去除重复元素
import csv from math import log from tqdm import tqdm # 读取数据 with open('attacks.csv', 'r', encoding='UTF-8') as csv文件: 文件内容 = csv.reader(csv文件) 文件内容列表 = list(文件内容) # print(文件内容列表) pass # 列表存储词条 大词条库 = [] 大词条库 = [] 时间国家库 = [] 时间城市库 = [] 情报词库 = [] def 删除字符函数(输入0): """ :param 输入0: 待处理的字符串 :return: 删除无用字符后的字符串 """ 删除字符 = "()[],.'&-…/1234567890:" 处理 = 输入0 for i in 删除字符: 处理 = 处理.replace(i, ' ') # 由于 " 无法和 "" 同时出现,这里再进行一次删除后返回 return 处理.replace('"', ' ') for 序号0, 记录 in enumerate(文件内容列表): """ 记录[6]：即Description下的语句字符串 删除字符函数(记录[6])：返回删除了无关字符的字符串 删除字符函数(记录[6]).split(' ')：以 " " 空格进行字符串划分, 返回一个分割成字符的列表 然后添加进大词条库 """ 大词条库.append( 删除字符函数(记录[6]).split(' ')) """ 当取出语句字符串后,将它删除,以便之后存入选好的主题词列表 判断语句表示表头Description不做改动 """ if 序号0 != 0: 文件内容列表[序号0].remove(记录[6]) class 我的tf_idf类: def __init__(self, 待处理大词条库, TFIDF阈值=0.3, 频繁模式阈值=0.2): """ :param 待处理大词条库: 2维列表形式,第一维列表保存有一个段字库 """ self.初始大词条库 = 待处理大词条库 self.语句总数 = len(待处理大词条库) self.总词条词频库 = [] self.总词条单词评分库 = [] self.词在句出现总频库 = {} self.TFIDF阈值 = TFIDF阈值 self.总词条主题词库 = [] self.频繁模式阈值 = 频繁模式阈值 self.频繁模式表 = [] def 语句词库(self, 词条分词库): """ :param 词条分词库: 输入的是一条语句的词汇列表 :return: 返回该词汇列表各个词汇的词频统计字典 以及self.词在句出现总频库 这个是统计词汇在各个语句中出现的情况 """ """ 词条词频库：使用字典进行词频统计，字典使用字符串（称为键）进行索引，得到键值， 键值反复被键（也就是某个词汇）索引累加，完成词频统计 重复记录：在完成语句词频的统计时，也完成了对这个词在语句中出现的次数， 由于一句只统计一次，所以需要在此记录一下，是否这个词在该列表被统计过了 """ 词条词频库 = {} 重复记录 = [] for 单词 in 词条分词库: """ 这里出现的try/except都是为了做一件事， try：给字典里面的字符串键值加1， except：这个键不在字典里，则添加进去，初始化键值为1 """ try: 词条词频库[单词] += 1 """ 若单词在重复记录出现了，则跳过 若没有，则记录入重复记录列表 同时在self.词在句出现总频库中给这个词汇的键值加1 """ if 单词 in 重复记录: pass else: 重复记录.append(单词) try: self.词在句出现总频库[单词] += 1 except: self.词在句出现总频库.update({单词: 1}) pass except: 词条词频库.update({单词: 1}) """ 若单词在重复记录出现了，则跳过 若没有，则记录入重复记录列表 同时在self.词在句出现总频库中给这个词汇的键值加1 """ if 单词 in 重复记录: pass else: 重复记录.append(单词) try: self.词在句出现总频库[单词] += 1 except: self.词在句出现总频库.update({单词: 1}) pass return 词条词频库 pass def 文本词库(self): """ :return: None """ """ 对每条语句词库重复调用 在self.总词条词频库记录所有的语句以及其词频 """ for 词条 in self.初始大词条库: self.总词条词频库.append(self.语句词库(词条)) pass def tf_idf函数(self, 单词条频库): """ :param 单词条频库: 输入单词条评分 :return: 无 """ """ 这里还使用了self.词在句出现总频库, 也就是查找词在某些句子中出现的语句条数 """ 单词评分库 = {} 词总数 = sum(list(单词条频库.values())) for 单词 in 单词条频库: 单词TF分数 = 单词条频库[单词] / 词总数 单词IDF分数 = log(self.语句总数 / (self.词在句出现总频库[单词] + 1)) 单词评分库.update({单词: 单词TF分数 * 单词IDF分数}) return 单词评分库 def tf_idf加速函数(self): self.总词条单词评分库 = list(map(self.tf_idf函数, self.总词条词频库)) pass def tf_idf阈值划分(self, 单词条评分): """ :param 单词条评分: 输入单词条评分库 :return: """ 主题词 = {} for 词汇 in 单词条评分: if 单词条评分[词汇] >= self.TFIDF阈值: 主题词.update({词汇: 单词条评分[词汇]}) pass pass return 主题词 def tf_idf阈值划分加速函数(self): """ 对 tf_idf阈值划分调用 :return: 无 """ self.总词条主题词库 = list(map(self.tf_idf阈值划分, self.总词条单词评分库)) pass def TFIDF(self): """ 启动函数 :return: 无 """ self.文本词库() self.tf_idf加速函数() self.tf_idf阈值划分加速函数() #################################################################################################################### # 词的TF_IDF的评分计算 #################################################################################################################### 工作啦 = 我的tf_idf类(大词条库, TFIDF阈值=0.35) 工作啦.TFIDF() print(工作啦.总词条主题词库) def 结果表格形式(): """ 这个函数是为了把原来删掉了Description的文件内容列表 填充进主题词列表,方便后面的主题词处理 同时把待选的时间国家库/时间城市库提取做好 :return: """ import pandas as pd for 序号1, 主题词 in enumerate(工作啦.总词条主题词库): if 序号1 != 0: 文件内容列表[序号1].append([]) if 主题词: for 主题词0 in 主题词: 文件内容列表[序号1][-1].append(主题词0) else: 文件内容列表[序号1][-1].append([]) 主题词提取 = pd.DataFrame(文件内容列表[1:], columns=文件内容列表[0]).drop(['index'], axis=1) print(主题词提取) for 序号3, 记录1 in enumerate(文件内容列表): # print(记录) if 记录1[6]: 时间国家库.append([记录1[1], 记录1[2]]) 时间城市库.append([记录1[1], 记录1[3]]) # print(主题词提取) 结果表格形式() #################################################################################################################### # 等价语义划分 #################################################################################################################### def 查询函数(输入列表, 新元素, 查询参数): """ 函数功能是解决一个问题,在将一个元素(可以是一个字符串,也可以是一个列表) 添加入新的列表时,先查询在这个列表是否存在了这个元素 :param 输入列表: 待被添加进新元素的原列表 :param 新元素: 待添加元素 :param 查询参数: 新元素的数据长度 :return: 布尔值: True: 未存在(即可以添加的意思) False: 已存在(就不添加了) """ index = 0 for 子元素 in 输入列表: 查询元素个数 = 0 for 查询元素个数 in range(查询参数): try: if 子元素[查询元素个数] == 新元素[查询元素个数]: 查询元素个数 += 1 except: pass if 查询元素个数 == 查询参数 and 查询元素个数 != 0: index += 1 break if index: return False else: return True #################################################################################################################### # 基于情报语义 def 情报语义事务(): """ 在从工作啦.总词条主题词库提取主题词至情报词库的过程中 同时,进行该词库是否在情报词库进行判断 :return: 无 """ """ tqdm库是可以显示处理进度的函数包 """ for 词条主题词 in tqdm(工作啦.总词条主题词库): if 词条主题词: if 查询函数(情报词库, list(词条主题词.keys()), len(词条主题词)): # good = list(词条主题词.keys()) 情报词库.append(list(词条主题词.keys())) 情报语义事务() print(情报词库) ######################################### # 基于时间国家语义 def 时间国家事务(): """ 在从时间国家库提取关键字组合(即时间和国家的组合) 至时间国家事务库0的过程中, 同时,进行该是否在时间国家事务库0进行判断 :return: 基于时间国家语义的时间国家事务库0 """ 时间国家事务库0 = [] for 序号2, 时间国家 in enumerate(时间国家库): if 序号2: if 查询函数(时间国家事务库0, 时间国家, 2): 时间国家事务库0.append(时间国家) return 时间国家事务库0 时间国家事务库 = 时间国家事务() print(时间国家事务库) ######################################### # 基于时间城市语义 def 时间城市事务(): """ 在从时间城市库提取关键字组合(即时间和城市的组合) 至时间城市事务库0的过程中, 同时,进行该是否在时间城市事务库0进行判断 :return: 基于时间城市语义的时间城市事务0 """ 时间城市事务库0 = [] for 序号3, 时间城市 in tqdm(enumerate(时间城市库)): if 序号3: if 查询函数(时间城市事务库0, 时间城市, 2): 时间城市事务库0.append(时间城市) return 时间城市事务库0 时间城市事务库 = 时间城市事务() print(时间城市事务库)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
- 108
- 109
- 110
- 111
- 112
- 113
- 114
- 115
- 116
- 117
- 118
- 119
- 120
- 121
- 122
- 123
- 124
- 125
- 126
- 127
- 128
- 129
- 130
- 131
- 132
- 133
- 134
- 135
- 136
- 137
- 138
- 139
- 140
- 141
- 142
- 143
- 144
- 145
- 146
- 147
- 148
- 149
- 150
- 151
- 152
- 153
- 154
- 155
- 156
- 157
- 158
- 159
- 160
- 161
- 162
- 163
- 164
- 165
- 166
- 167
- 168
- 169
- 170
- 171
- 172
- 173
- 174
- 175
- 176
- 177
- 178
- 179
- 180
- 181
- 182
- 183
- 184
- 185
- 186
- 187
- 188
- 189
- 190
- 191
- 192
- 193
- 194
- 195
- 196
- 197
- 198
- 199
- 200
- 201
- 202
- 203
- 204
- 205
- 206
- 207
- 208
- 209
- 210
- 211
- 212
- 213
- 214
- 215
- 216
- 217
- 218
- 219
- 220
- 221
- 222
- 223
- 224
- 225
- 226
- 227
- 228
- 229
- 230
- 231
- 232
- 233
- 234
- 235
- 236
- 237
- 238
- 239
- 240
- 241
- 242
- 243
- 244
- 245
- 246
- 247
- 248
- 249
- 250
- 251
- 252
- 253
- 254
- 255
- 256
- 257
- 258
- 259
- 260
- 261
- 262
- 263
- 264
- 265
- 266
- 267
- 268
- 269
- 270
- 271
- 272
- 273
- 274
- 275
- 276
- 277
- 278
- 279
- 280
- 281
- 282
- 283
- 284
- 285
- 286
- 287
- 288
- 289
- 290
- 291
- 292
- 293
- 294
- 295
- 296
- 297
- 298
- 299
- 300
- 301
- 302
- 303
- 304
- 305
- 306
- 307
- 308
- 309
- 310
- 311
- 312
- 313
- 314
- 315
- 316
- 317
- 318
工作啦.总词条主题词库所打印的，就是最后的主题词提取结果
下接
数据挖掘（二） Apriori算法的python实现
声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/煮酒与君饮/article/detail/802110
推荐阅读
相关标签
