
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(jìn)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(jìn)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(jìn)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(jìn)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(fèi)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)
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
LSTM 模型輸入長度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報考條件詳解與準(zhǔn)備指南? ? 在數(shù)據(jù)驅(qū)動決策的時代浪潮下,CDA 數(shù)據(jù)分析師認(rèn)證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計的實用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強(qiáng)大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實施重大更新。 此次更新旨在確保認(rèn) ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡稱 BI)深度融合的時代,BI ...
2025-07-10SQL 在預(yù)測分析中的應(yīng)用:從數(shù)據(jù)查詢到趨勢預(yù)判? ? 在數(shù)據(jù)驅(qū)動決策的時代,預(yù)測分析作為挖掘數(shù)據(jù)潛在價值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結(jié)束后:分析師的收尾工作與價值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結(jié)束)并非工作的終點,而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報考到取證的全攻略? 在數(shù)字經(jīng)濟(jì)蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢性檢驗:捕捉數(shù)據(jù)背后的時間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢性檢驗如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時間維度的精準(zhǔn)切片? ? 在數(shù)據(jù)的世界里,時間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準(zhǔn) ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認(rèn)證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗:數(shù)據(jù)趨勢與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準(zhǔn)確捕捉數(shù)據(jù)的趨勢變化以及識別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認(rèn)證作為國內(nèi)權(quán)威的數(shù)據(jù)分析能力認(rèn)證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對策略? 長短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨(dú)特的門控機(jī)制,在 ...
2025-07-07統(tǒng)計學(xué)方法在市場調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場調(diào)研是企業(yè)洞察市場動態(tài)、了解消費(fèi)者需求的重要途徑,而統(tǒng)計學(xué)方法則是市場調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當(dāng)下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準(zhǔn)確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03