數(shù)據(jù)挖掘:手把手教你做文本挖掘

1文本挖掘定義

文本挖掘指的是從文本數(shù)據(jù)中獲取有價值的信息和知識，它是數(shù)據(jù)挖掘中的一種方法。文本挖掘中最重要最基本的應(yīng)用是實現(xiàn)文本的分類和聚類，前者是有監(jiān)督的挖掘算法，后者是無監(jiān)督的挖掘算法。

2文本挖掘步驟

1）讀取數(shù)據(jù)庫或本地外部文本文件

2）文本分詞

2.1）自定義字典

2.2）自定義停止詞

2.3）分詞

2.4）文字云檢索哪些詞切的不準(zhǔn)確、哪些詞沒有意義，需要循環(huán)2.1、2.2和 2.3步驟

3）構(gòu)建文檔-詞條矩陣并轉(zhuǎn)換為數(shù)據(jù)框

4）對數(shù)據(jù)框建立統(tǒng)計、挖掘模型

5）結(jié)果反饋

3文本挖掘所需工具

本次文本挖掘將使用R語言實現(xiàn)，除此還需加載幾個R包，它們是tm包、tmcn包、Rwordseg包和wordcloud包。

4實戰(zhàn)

本文對該數(shù)據(jù)集做了整合，將各個主題下的新聞匯總到一張csv表格中，數(shù)據(jù)格式如下圖所示：

具體數(shù)據(jù)可至文章后面的鏈接。

#加載所需R包 library(tm) library(Rwordseg) library(wordcloud) library(tmcn) #讀取數(shù)據(jù) mydata <- read.table(file = file.choose(), header = TRUE, sep = ',',  stringsAsFactors = FALSE) str(mydata)

接下來需要對新聞內(nèi)容進行分詞，在分詞之前需要導(dǎo)入一些自定義字典，目的是提高切詞的準(zhǔn)確性。由于文本中涉及到軍事、醫(yī)療、財經(jīng)、體育等方面的內(nèi)容，故需要將搜狗字典插入到本次分析的字典集中。

#添加自定義字典 installDict(dictpath = 'G:\\dict\\財經(jīng)金融詞匯大全【官方推薦】.scel',            dictname = 'Caijing', dicttype = 'scel') installDict(dictpath = 'G:\\dict\\軍事詞匯大全【官方推薦】.scel',            dictname = 'Junshi', dicttype = 'scel') installDict(dictpath = 'G:\\dict\\籃球【官方推薦】.scel',            dictname = 'Lanqiu', dicttype = 'scel') installDict(dictpath = 'G:\\dict\\旅游詞匯大全【官方推薦】.scel',            dictname = 'Lvyou', dicttype = 'scel') installDict(dictpath = 'G:\\dict\\汽車詞匯大全【官方推薦】.scel',            dictname = 'Qiche1', dicttype = 'scel') installDict(dictpath = 'G:\\dict\\汽車頻道專用詞庫.scel',            dictname = 'Qiche2', dicttype = 'scel') installDict(dictpath = 'G:\\dict\\醫(yī)學(xué)詞匯大全【官方推薦】.scel',            dictname = 'Yixue', dicttype = 'scel') installDict(dictpath = 'G:\\dict\\足球【官方推薦】.scel',            dictname = 'Zuqiu', dicttype = 'scel') #查看已安裝的詞典 listDict()

如果需要卸載某些已導(dǎo)入字典的話，可以使用uninstallDict()函數(shù)。

分詞前將中文中的英文字母統(tǒng)統(tǒng)去掉。

#剔除文本中含有的英文字母 mydata$Text <- gsub('[a-zA-Z]','',mydata$Text) #分詞 segword <- segmentCN(strwords = mydata$Text) #查看第一條新聞分詞結(jié)果 segword[[1]]

圖中圈出來的詞對后續(xù)的分析并沒有什么實際意義，故需要將其剔除，即刪除停止詞。

#創(chuàng)建停止詞 mystopwords <- read.table(file = file.choose(), stringsAsFactors = FALSE) head(mystopwords) class(mystopwords) #需要將數(shù)據(jù)框格式的數(shù)據(jù)轉(zhuǎn)化為向量格式 mystopwords <- as.vector(mystopwords[,1]) head(mystopwords)

停止詞創(chuàng)建好后，該如何刪除76條新聞中實際意義的詞呢？下面通過自定義刪除停止詞的函數(shù)加以實現(xiàn)。

#自定義刪除停止詞的函數(shù) removewords <- function(target_words,stop_words){  target_words = target_words[target_words%in%stop_words==FALSE]  return(target_words) } segword2 <- sapply(X = segword, FUN = removewords, mystopwords) #查看已刪除后的分詞結(jié)果 segword2[[1]]

相比與之前的分詞結(jié)果，這里瘦身了很多，剔除了諸如“是”、“的”、“到”、“這”等無意義的次。

判別分詞結(jié)果的好壞，最快捷的方法是繪制文字云，可以清晰的查看哪些詞不該出現(xiàn)或哪些詞分割的不準(zhǔn)確。

#繪制文字圖 word_freq <- getWordFreq(string = unlist(segword2)) opar <- par(no.readonly = TRUE) par(bg = 'black') #繪制出現(xiàn)頻率最高的前50個詞 wordcloud(words = word_freq$Word, freq = word_freq$Freq, max.words = 50, random.color = TRUE, colors = rainbow(n = 7)) par(opar)

很明顯這里仍然存在一些無意義的詞（如說、日、個、去等）和分割不準(zhǔn)確的詞語（如黃金周切割為黃金，醫(yī)藥切割為藥等），這里限于篇幅的原因，就不進行再次添加自定義詞匯和停止詞。

#將已分完詞的列表導(dǎo)入為語料庫,并進一步加工處理語料庫 text_corpus <- Corpus(x = VectorSource(segword2)) text_corpus

此時語料庫中存放了76條新聞的分詞結(jié)果。

#去除語料庫中的數(shù)字 text_corpus <- tm_map(text_corpus, removeNumbers) #去除語料庫中的多余空格 text_corpus <- tm_map(text_corpus, stripWhitespace) #創(chuàng)建文檔-詞條矩陣 dtm <- DocumentTermMatrix(x = text_corpus, control = list(wordLengths = c(2,Inf))) dtm

從圖中可知，文檔-詞條矩陣包含了76行和7939列，行代表76條新聞，列代表7939個詞；該矩陣實際上為稀疏矩陣，其中矩陣中非0元素有11655個，而0元素有591709，稀疏率達(dá)到98%；最后，這7939個詞中，最頻繁的一個詞出現(xiàn)在了49條新聞中。

由于稀疏矩陣的稀疏率過高，這里將剔除一些出現(xiàn)頻次極地的詞語。

#去除稀疏矩陣中的詞條 dtm <- removeSparseTerms(x = dtm, sparse = 0.9) dtm

這樣一來，矩陣中列大幅減少，當(dāng)前矩陣只包含了116列，即116個詞語。

為了便于進一步的統(tǒng)計建模，需要將矩陣轉(zhuǎn)換為數(shù)據(jù)框格式。

#將矩陣轉(zhuǎn)換為數(shù)據(jù)框格式 df <- as.data.frame(inspect(dtm)) #查看數(shù)據(jù)框的前6行(部分) head(df)

統(tǒng)計建模：聚類分析

聚類分析是文本挖掘的基本應(yīng)用，常用的聚類算法包括層次聚類法、劃分聚類法、EM聚類法和密度聚類法。

這里使用層次聚類中的McQuitty相似分析法實現(xiàn)新聞的聚類。

#計算距離 d <- dist(df) #層次聚類法之McQuitty相似分析法 fit1 <- hclust(d = d, method = 'mcquitty') plot(fit1) rect.hclust(tree = fit1, k = 7, border = 'red')

這里的McQuitty層次聚類法效果不理想，類與類之間分布相當(dāng)不平衡,我想可能存在三種原因：

1）文章的主干關(guān)鍵詞出現(xiàn)頻次不夠，使得文章沒能反映某種主題；

2）分詞過程中沒有剔除對建模不利的干擾詞，如中國、美國、公司、市場、記者等詞語；

3）沒能夠準(zhǔn)確分割某些常用詞，如黃金周。

5總結(jié)

所以在實際的文本挖掘過程中，最為困難和耗費時間的就是分詞部分，既要準(zhǔn)確分詞，又要剔除無意義的詞語，這對文本挖掘者是一種挑戰(zhàn)。數(shù)據(jù)分析師培訓(xùn)