Python之朴素贝叶斯对展会数据分类

读大学时期写的博文

目的

在公司实习，分别从国内国外两个网站爬取了一些展会数据，在数据处理上目前需要将其按照各个类别分类好，并提供对应展会地址的经纬度，国内数据如下：

国内数据比较少，占四百多条，在类别上来看有所属行业这一列，所以比较好处理，国外数据就有些尴尬：

国外网站展会数据将近五万多条，跟分类有关的只有 categories这一列数据，都是一些标签词，还偏少。

现在需要将五万多条展会数据进行分类，如何解决这个问题，我觉得可以写个朴素贝叶斯分类器。

数据

朴素贝叶斯分类器是利用样本数据来进行训练的，每个样本必须含有一组特征词以及对应的分类。

数据的准备

获取的国内数据就很适合作为训练数据，可以将其处理成如下格式作为样本输入：

训练数据主要是这两列，所属行业以及展会范围，每一行的类别都有其对应的展会范围，将这些作为训练数据实在再好不过，我们将其称之为训练集。

那么相对应，国外待分类的展会数据便是测试集。

我们将利用训练好的分类器，将测试集一一输入，看看能否得到期望的输出结果。

可是现在有个问题，作为训练集的国内数据只有四百多条，实在太少，于是我只能再去那个国内展会网站将以前的展会数据尽量爬取下来，最终训练集达到了 39555条，虽说数量还是不够，但是不试试最终分类器的分类结果，说不定准确率还可以呢？

分词&&提取

不积小流，无以成江海，以小见大，咱们看这样一条数据:

1. 所属行业：建材五金

2. 展会范围：各类卫生洁具、浴室家具和配件、面盆、马桶、淋浴房、浴缸、花洒、水龙头及配件、浴室照明、镜子、五金挂件等

思考一下，这一条数据的所属行业和展会范围有什么关系，我们将从这里得到编写分类器的出发点。

在这条数据中，展会范围的内容是具有一定的代表性的，其代表这条数据的描述很偏向建材五金这个行业。

那我么是不是可以提炼出这个描述的关键词，从而让这个关键词代表建材五金这个行业。

1. # 可以利用结巴分词

2. import jieba.analyse

3. con = "各类卫生洁具、浴室家具和配件、面盆、马桶、淋浴房、浴缸、花洒、水龙头及配件、浴室照明、镜子、五金挂件等"

4. feature = jieba.analyse.extract_tags(con, 8)

5. print(feature)

6. # output：['配件', '各类', '家具', '五金', '照明', '浴室', '淋浴房', '浴缸']

那么刚刚那条数据可以这样看：

1. # data_01

2. 所属行业：建材五金

3. 描述关键词：'配件', '各类', '家具', '五金', '照明', '浴室', '淋浴房', '浴缸'

以此类推，如果一条未分类数据的关键词也是这样，那是不是可以将该数据归为建材五金这个类别，是的，你可以这么干。

但有个问题，若该未分类数据的关键词只含有以上关键词的某个，比如：

1. # data_02

2. 所属行业：未知

3. 描述关键词：'配件','家具'

这样子若分为建材五金不大对吧，我倒觉得应该分为房产家居，这个问题可以解决，就让我们的概率出场吧。

大三的时候学过概率统计，也记得一个公式名为贝叶斯定理。

这表示计算条件概率的公式:

1. P(A\B) = P(B\A)*P(A)/P(B) == 后验概率 = 先验概率 ｘ 调整因子

2. # 这样写会不会更加清晰

3. P(category\keywords) = P(category) * P(keywords\category)/ P(keywords)

4. ## 朴素贝叶斯便是假设即将被组合的各个概率是独立的，可以理解成keyword1出现在category1的概率和keyword2出现在category1的概率是没有关系的，是独立的。

5. P(category\keywords) = P(category) * P(keyword1\category)P(keyword2\category)...P(keywordn\category)/ P(keywords)

总结就是，我们先求出样本空间中每个分类的概率P(category)——先验概率

再求出一组待分类数据的关键词在各个类别中的概率P(keywords\category)——调整因子

最后先验概率 * 调整因子得出后验概率，再经过比较，后验概率最大的，便是待分类数据最可能的类别。

我们的准备很充足了，但在写分类器之前，还是先将下面要用到的数据提前提取出来。

2.2.1.确定训练数据有多少类别

2.2.2.训练数据的关键词集合，为了方便后续计算，将其转为id:word的格式存为id_word.txt

2.2.3.计算出每个关键词在每个不同类别出现的概率，将其转为category=id:pro(id)的格式存为tf_id_word.txt

2.2.4.求出样本空间中每个分类的概率P(category)——先验概率，将其转为category:pro(category)的格式存为type_pro.txt

编码

经过前面的步骤，现在编写代码实在简单，不过有两点要注意。

其一是关键词并不是在每个类别都会出现，这样会导致P(keyword\category) = 0，进而导致整个后验概率为0，为了解决这个问题，可以引入拉普拉斯平滑，这样便确保不会出现为0的情况，具体代码中有介绍。

其二是若每个调整因子的数值都很小，大家都知道很小的值相乘，会导致结果变得更小，这样子表现出各个分类结果的后验概率便会出现问题，这个问题便是下溢出问题，解决办法便是将其转化为对数，对数相乘便是对数相加，这样便很巧妙的解决了这个问题。

好了，直接上代码，让我们看看分类的结果吧。

1. # -*-coding:utf-8-*-

2. __author__ = 'howie'

3. 
   

4. import jieba.analyse

5. import pandas as pd

6. import math

7. 
   

8. 
   

9. class Pridict(object):

10.    """

11.    利用txt/中数据进行朴素贝叶斯算法训练

12.    """

13. 
    

14.    def __init__(self):

15.        # 初始化结果字典

16.        self.resultData = {}

17. 
    

18.    def getKeyword(self, path):

19.        """

20.        通过结巴分词进行关键词提取

21.        :param path: 待分词文件路径 相关参数可更改 也可不调用直接写

22.        :return: keywordDic = {index:['word1','word2'...]}

23.        """

24.        keywordDic = {}

25.        df = pd.read_csv(path)

26.        for des in df.values:

27.            jieba.analyse.set_idf_path('txt/type_dict.txt')

28.            feature = jieba.analyse.extract_tags(des[15], 8)

29.            keywordDic[des[16]] = feature

30.        return keywordDic

31. 
    

32.    def idDic(self, keywordDic):

33.        """

34.        将每条待分类关键词替换成对应的单词向量

35.        :param keywordDic:格式 keywordDic = {index:['word1','word2'...]}

36.        :return: keywordDic = {'1': ['12198', '16311', '6253', '8302']}

37.        """

38.        with open('txt/id_word.txt', 'r', encoding='utf8') as of:

39.            lines = of.read().split('\n')

40.        for key, values in keywordDic.items():

41.            id_word = []

42.            for eachValue in values:

43.                id_word += [eachLine.split(':')[0] for eachLine in lines if eachValue == eachLine.split(':')[-1]]

44.            keywordDic[key] = id_word

45.        return keywordDic

46. 
    

47.    def calPro(self, keywordDic):

48.        """

49.        计算每一组待分类数据关键词对应概率总和

50.        :param keywordDic:格式 keywordDic = {'1': ['12198', '16311', '6253', '8302']}

51.        :return: result = {'1': {'type1': -33.23204707236557, 'type3': -31.376043125934267, 'type3': -27.385192803356617...}

52.        """

53.        result = {}

54.        # print(keywordDic)

55.        # 获取每个类别关键词出现概率

56.        with open('txt/tf_id_word.txt', 'r', encoding='utf8') as of:

57.            lines = of.read().split('\n')[0:-1]

58.        # 循环待分类数据

59.        for key, values in keywordDic.items():

60.            result[key] = {}

61.            # 读取分类概率文件中读取每行数据

62.            for eachLine in lines:

63.                valLen = len(values)

64.                valPro = list(map(lambda x: '', [x for x in range(0, valLen)]))

65.                laplace = ''

66.                # 分类名称 该分类下关键词概率

67.                lineData = eachLine.split("=")

68.                # 该分类下每个关键词概率

69.                eachLineData = lineData[-1].split("#")

70.                # 循环每个待分类字典的关键字向量

71.                for index,eachValue in enumerate(values):

72.                    # 每个关键词对应的词向量以及词概率 得到所有关键词该分类下的概率列表

73.                    resPro = [eachPro.split(':')[1] for eachPro in eachLineData if eachValue == eachPro.split(':')[0]]

74.                    # 防止待分类关键词概率为0，添加拉普拉斯平滑

75.                    laplace = str(1 / (valLen + len(eachLineData)))

76.                    valPro[index] = (resPro[0] if resPro else laplace)

77.                valPrlLen = int(valLen / 2)

78.                # 处理关键词为空 增加限制条件，排除小概率分类影响后验概率大小

79.                if valPro:

80.                    if valPro.count(laplace) <= valPrlLen:

81.                        # 防止下溢出转化为对数相加

82.                        typePro = sum([math.log(float(x)) for x in valPro])

83.                        result[key][lineData[0]] = typePro

84.                else:

85.                    # 将该待分类数据标记为None

86.                    result[key] = None

87.        return result

88. 
    

89.    def resPro(self, result):

90.        """

91.        为各个分类乘上先验概率 提高分类成功率

92.        :param result: 格式 result = {'1': {'type1': -33.23204707236557, 'type3': -31.376043125934267, 'type3': -27.385192803356617...}

93.        :return: resultData = {'1': {'type': -28.135469210164924}}

94.        """

95.        for eachKey, eachVal in result.items():

96.            # 初始化每个待分类数据字典 储存最可能分类的概率

97.            self.resultData[eachKey] = {}

98.            # 初始化最终分类结果概率

99.            allPro = {}

100.            if eachVal:

101.                # print(eachVal)

102.                with open('txt/type_pro.txt', 'r', encoding='utf8') as of:

103.                    lines = of.read().split('\n')

104.                for line in lines:

105.                    lineData = line.split(':')

106.                    # 乘上该分类概率 即先验概率

107.                    allPro = dict(allPro,**{key:(value + math.log(float(lineData[1]))) for key, value in eachVal.items() if key == lineData[0]})

108.                    # 返回各个分类对应后验概率最大值

109.                    largest = max(zip(allPro.values(),allPro.keys()))

110.                    self.resultData[eachKey][largest[1]] = largest[0]

111.            else:

112.                # 无法分类

113.                self.resultData[eachKey] = {'failed': None}

114.        return self.resultData

115. 
     

116. 
     

117. def mainPri(keywordDic):

118.    pri = Pridict()

119.    dic = pri.idDic(keywordDic)

120.    result = pri.calPro(dic)

121.    resultData = pri.resPro(result)

122.    return resultData

初步写好分类器，其实这才是任务的开始，分类器的最重要的是第二部分的数据提取，接下来需要通过不断地训练，让数据变得更加优雅美丽，从而让分类器的结果趋于完美，本人苦逼地调了一个星期，现在也就勉强能用。

让我们看看分类器的分类效果：

可以看到分类器给出的参考分类很有代表性，这一段就此结束，若有错误，敬请指出，谢谢。

往期推荐：

如何用PEP 8编写优雅的Python代码

Sanic中文教程合集：免费下载

如何用Python创建一个简单的神经网络

Python之装饰器