NLP算法之一（LDA理论和实际部分_ _邮件数据处理）

来源：互联网发布：mac maven安装编辑：程序博客网时间：2024/06/06 20:09

正经的理理解LDA，分为下述5个步骤：

一个函数：gamma函数
四个分布：二项分布、多项分布、beta分布、Dirichlet分布
一个概念和一个理理念：共轭先验和⻉贝叶斯框架
两个模型：pLSA、LDA

一个采样：Gibbs采样

例子的数据信息格式：

例子：读大量的邮件信息，选出有用的信息。

import numpy as npimport pandas as pdimport redf = pd.read_csv("input/HillaryEmails.csv")# 原邮件数据中有很多Nan的值，直接扔了。df = df[['Id','ExtractedBodyText']].dropna()#预处理def clean_email_text(text):    text = text.replace('\n'," ") #新行，我们是不需要的    text = re.sub(r"-", " ", text) #把 "-" 的两个单词，分开。（比如：july-edu ==> july edu）    text = re.sub(r"\d+/\d+/\d+", "", text) #日期，对主体模型没什么意义    text = re.sub(r"[0-2]?[0-9]:[0-6][0-9]", "", text) #时间，没意义    text = re.sub(r"[\w]+@[\.\w]+", "", text) #邮件地址，没意义    text = re.sub(r"/[a-zA-Z]*[:\//\]*[A-Za-z0-9\-_]+\.+[A-Za-z0-9\.\/%&=\?\-_]+/i", "", text) #网址，没意义    pure_text = ''    # 以防还有其他特殊字符（数字）等等，我们直接把他们loop一遍，过滤掉    for letter in text:        # 只留下字母和空格        if letter.isalpha() or letter==' ':            pure_text += letter    # 再把那些去除特殊字符后落单的单词，直接排除。    # 我们就只剩下有意义的单词了。    text = ' '.join(word for word in pure_text.split() if len(word)>1)    return textdocs = df['ExtractedBodyText']docs = docs.apply(lambda s: clean_email_text(s))print(docs.head(1).values)doclist = docs.valuesfrom gensim import corpora, models, similaritiesimport gensimstoplist = ['very', 'ourselves', 'am', 'doesn', 'through', 'me', 'against', 'up', 'just', 'her', 'ours',            'couldn', 'because', 'is', 'isn', 'it', 'only', 'in', 'such', 'too', 'mustn', 'under', 'their',            'if', 'to', 'my', 'himself', 'after', 'why', 'while', 'can', 'each', 'itself', 'his', 'all', 'once',            'herself', 'more', 'our', 'they', 'hasn', 'on', 'ma', 'them', 'its', 'where', 'did', 'll', 'you',            'didn', 'nor', 'as', 'now', 'before', 'those', 'yours', 'from', 'who', 'was', 'm', 'been', 'will',            'into', 'same', 'how', 'some', 'of', 'out', 'with', 's', 'being', 't', 'mightn', 'she', 'again', 'be',            'by', 'shan', 'have', 'yourselves', 'needn', 'and', 'are', 'o', 'these', 'further', 'most', 'yourself',            'having', 'aren', 'here', 'he', 'were', 'but', 'this', 'myself', 'own', 'we', 'so', 'i', 'does', 'both',            'when', 'between', 'd', 'had', 'the', 'y', 'has', 'down', 'off', 'than', 'haven', 'whom', 'wouldn',            'should', 've', 'over', 'themselves', 'few', 'then', 'hadn', 'what', 'until', 'won', 'no', 'about',            'any', 'that', 'for', 'shouldn', 'don', 'do', 'there', 'doing', 'an', 'or', 'ain', 'hers', 'wasn',            'weren', 'above', 'a', 'at', 'your', 'theirs', 'below', 'other', 'not', 're', 'him', 'during', 'which']texts = [[word for word in doc.lower().split() if word not in stoplist] for doc in doclist]texts[0]dictionary = corpora.Dictionary(texts)corpus = [dictionary.doc2bow(text) for text in texts]corpus[13]lda = gensim.models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=20)lda.print_topic(10, topn=5)lda.print_topics(num_topics=20, num_words=5)

输出结果：

0 0