当我要求你解释文本数据时,你会怎幺做?你将采取什幺步骤来构建文本可视化?
本文将帮助你获得构建可视化和解释文本数据所需的信息。
从文本数据中获得的见解将有助于我们发现文章之间的联系。它将检测趋势和模式。对文本数据的分析将排除噪音,发现以前未知的信息。
这种分析过程也称为探索性文本分析(ETA)。运用K-means、Tf-IDF、词频等方法对这些文本数据进行分析。此外,ETA在数据清理过程中也很有用。
我们还使用Matplotlib、seaborn和Plotly库将结果可视化到图形、词云和绘图中。
在分析文本数据之前,请完成这些预处理任务。
有很多非结构化文本数据可供分析。你可以从以下来源获取数据。
我将使用路透社的SGML格式的文章。为了便于分析,我将使用beauthoulsoup库从数据文件中获取日期、标题和文章正文。
使用下面的代码从所有数据文件中获取数据,并将输出存储在单个CSV文件中。
from bs4 import BeautifulSoup import pandas as pd import csv article_dict = {} i = 0 list_of_data_num = [] for j in range(0,22): if j < 10: list_of_data_num.append("00" + str(j)) else: list_of_data_num.append("0" + str(j)) # 循环所有文章以提取日期、标题和文章主体 for num in list_of_data_num: try: soup = BeautifulSoup(open("data/reut2-" + num + ".sgm"), features='lxml') except: continue print(num) data_reuters = soup.find_all('reuters') for data in data_reuters: article_dict[i] = {} for date in data.find_all('date'): try: article_dict[i]["date"] = str(date.contents[0]).strip() except: article_dict[i]["date"] = None # print(date.contents[0]) for title in data.find_all('title'): article_dict[i]["title"] = str(title.contents[0]).strip() # print(title.contents) for text in data.find_all('text'): try: article_dict[i]["text"] = str(text.contents[4]).strip() except: article_dict[i]["text"] = None i += 1 dataframe_article = pd.DataFrame(article_dict).T dataframe_article.to_csv('articles_data.csv', header=True, index=False, quoting=csv.QUOTE_ALL) print(dataframe_article)
还可以使用Regex和OS库组合或循环所有数据文件。
每篇文章的正文以<Reuters>开头,因此使用find_all(‘reuters’)。
你也可以使用pickle模块来保存数据,而不是CSV。
在本节中,我们将从文本数据中移除诸如空值、标点符号、数字等噪声。首先,我们删除文本列中包含空值的行。然后我们处理另一列的空值。
import pandas as pd import re articles_data = pd.read_csv(‘articles_data.csv’) print(articles_data.apply(lambda x: sum(x.isnull()))) articles_nonNull = articles_data.dropna(subset=[‘text’]) articles_nonNull.reset_index(inplace=True) def clean_text(text): ‘’’Make text lowercase, remove text in square brackets,remove \n,remove punctuation and remove words containing numbers.’’’ text = str(text).lower() text = re.sub(‘<.*?>+’, ‘’, text) text = re.sub(‘[%s]’ % re.escape(string.punctuation), ‘’, text) text = re.sub(‘\n’, ‘’, text) text = re.sub(‘\w*\d\w*’, ‘’, text) return text articles_nonNull[‘text_clean’]=articles_nonNull[‘text’]\ .apply(lambda x:clean_text(x))
articles_data = pd.read_csv(‘articles_data.csv’) print(articles_data.apply(lambda x: sum(x.isnull()))) articles_nonNull = articles_data.dropna(subset=[‘text’]) articles_nonNull.reset_index(inplace=True)
def clean_text(text):
‘’’Make text lowercase, remove text in square brackets,remove \n,remove punctuation and remove words containing numbers.’’’
text = str(text).lower()
text = re.sub(‘<.*?>+’, ‘’, text)
text = re.sub(‘[%s]’ % re.escape(string.punctuation), ‘’, text)
text = re.sub(‘\n’, ‘’, text)
text = re.sub(‘\w*\d\w*’, ‘’, text)
return text
articles_nonNull[‘text_clean’]=articles_nonNull[‘text’]\
.apply(lambda x:clean_text(x))
当我们删除文本列中的空值时,其他列中的空值也会消失。
我们使用re方法去除文本数据中的噪声。
数据清理过程中采取的步骤可能会根据文本数据增加或减少。因此,请仔细研究你的文本数据并相应地构建clean_text()方法。
随着预处理任务的完成,我们将继续分析文本数据。
让我们从分析开始。
1.路透社文章篇幅
我们知道所有文章的篇幅不一样。因此,我们将考虑长度等于或超过一段的文章。根据研究,一个句子的平均长度是15-20个单词。一个段落应该有四个句子。
articles_nonNull[‘word_length’] = articles_nonNull[‘text’].apply(lambda x: len(str(x).split())) print(articles_nonNull.describe()) articles_word_limit = articles_nonNull[articles_nonNull[‘word_length’] > 60] plt.figure(figsize=(12,6)) p1=sns.kdeplot(articles_word_limit[‘word_length’], shade=True, color=”r”).set_title(‘Kernel Distribution of Number Of words’)
我删除了那些篇幅不足60字的文章。
字长分布是右偏的。
大多数文章有150字左右。
包含事实或股票信息的路透社文章用词较少。
2.路透社文章中的常用词
在这一部分中,我们统计了文章中出现的字数,并对结果进行了分析。我们基于N-gram方法对词数进行了分析。N-gram是基于N值的单词的出现。
我们将从文本数据中删除停用词。因为停用词是噪音,在分析中没有太大用处。
(1)最常见的单字单词(N=1)
让我们在条形图中绘制unigram单词,并为unigram单词绘制词云。
from gensim.parsing.preprocessing import remove_stopwords import genism from wordcloud import WordCloud import numpy as np import random # 从gensim方法导入stopwords到stop_list变量 # 你也可以手动添加stopwords gensim_stopwords = gensim.parsing.preprocessing.STOPWORDS stopwords_list = list(set(gensim_stopwords)) stopwords_update = ["mln", "vs","cts","said","billion","pct","dlrs","dlr"] stopwords = stopwords_list + stopwords_update articles_word_limit['temp_list'] = articles_word_limit['text_clean'].apply(lambda x:str(x).split()) # 从文章中删除停用词 def remove_stopword(x): return [word for word in x if word not in stopwords] articles_word_limit['temp_list_stopw'] = articles_word_limit['temp_list'].apply(lambda x:remove_stopword(x)) # 生成ngram的单词 def generate_ngrams(text, n_gram=1): ngrams = zip(*[text[i:] for i in range(n_gram)]) return [' '.join(ngram) for ngram in ngrams] article_unigrams = defaultdict(int) for tweet in articles_word_limit['temp_list_stopw']: for word in generate_ngrams(tweet): article_unigrams[word] += 1 article_unigrams_df = pd.DataFrame(sorted(article_unigrams.items(), key=lambda x: x[1])[::-1]) N=50 # 在路透社的文章中前50个常用的unigram fig, axes = plt.subplots(figsize=(18, 50)) plt.tight_layout() sns.barplot(y=article_unigrams_df[0].values[:N], x=article_unigrams_df[1].values[:N], color='red') axes.spines['right'].set_visible(False) axes.set_xlabel('') axes.set_ylabel('') axes.tick_params(axis='x', labelsize=13) axes.tick_params(axis='y', labelsize=13) axes.set_title(f'Top {N} most common unigrams in Reuters Articles', fontsize=15) plt.show() # 画出词云 def col_func(word, font_size, position, orientation, font_path, random_state): colors = ['#b58900', '#cb4b16', '#dc322f', '#d33682', '#6c71c4', '#268bd2', '#2aa198', '#859900'] return random.choice(colors) fd = { 'fontsize': '32', 'fontweight' : 'normal', 'verticalalignment': 'baseline', 'horizontalalignment': 'center', } wc = WordCloud(width=2000, height=1000, collocations=False, background_color="white", color_func=col_func, max_words=200, random_state=np.random.randint(1, 8)) .generate_from_frequencies(article_unigrams) fig, ax = plt.subplots(figsize=(20,10)) ax.imshow(wc, interpolation='bilinear') ax.axis("off") ax.set_title(‘Unigram Words of Reuters Articles’, pad=24, fontdict=fd) plt.show()
Share, trade, stock是一些最常见的词汇,它们是基于股票市场和金融行业的文章。
因此,我们可以说,大多数路透社文章属于金融和股票类。
(2)最常见的Bigram词(N=2)
让我们为Bigram单词绘制条形图和词云。
article_bigrams = defaultdict(int) for tweet in articles_word_limit[‘temp_list_stopw’]: for word in generate_ngrams(tweet, n_gram=2): article_bigrams[word] += 1 df_article_bigrams=pd.DataFrame(sorted(article_bigrams.items(), key=lambda x: x[1])[::-1]) N=50 # 前50个单词的柱状图 fig, axes = plt.subplots(figsize=(18, 50), dpi=100) plt.tight_layout() sns.barplot(y=df_article_bigrams[0].values[:N], x=df_article_bigrams[1].values[:N], color=’red’) axes.spines[‘right’].set_visible(False) axes.set_xlabel(‘’) axes.set_ylabel(‘’) axes.tick_params(axis=’x’, labelsize=13) axes.tick_params(axis=’y’, labelsize=13) axes.set_title(f’Top {N} most common Bigrams in Reuters Articles’, fontsize=15) plt.show() #词云 wc = WordCloud(width=2000, height=1000, collocations=False, background_color=”white”, color_func=col_func, max_words=200, random_state=np.random.randint(1,8))\ .generate_from_frequencies(article_bigrams) fig, ax = plt.subplots(figsize=(20,10)) ax.imshow(wc, interpolation=’bilinear’) ax.axis(“off”) ax.set_title(‘Trigram Words of Reuters Articles’, pad=24, fontdict=fd) plt.show() Bigram比unigram提供更多的文本信息和上下文。比如,share loss显示:大多数人在股票上亏损。 3.最常用的Trigram词 让我们为trigma单词绘制条形图和词云。 article_trigrams = defaultdict(int) for tweet in articles_word_limit[‘temp_list_stopw’]: for word in generate_ngrams(tweet, n_gram=3): article_trigrams[word] += 1 df_article_trigrams = pd.DataFrame(sorted(article_trigrams.items(), key=lambda x: x[1])[::-1]) N=50 # 柱状图的前50个trigram fig, axes = plt.subplots(figsize=(18, 50), dpi=100) plt.tight_layout() sns.barplot(y=df_article_trigrams[0].values[:N], x=df_article_trigrams[1].values[:N], color=’red’) axes.spines[‘right’].set_visible(False) axes.set_xlabel(‘’) axes.set_ylabel(‘’) axes.tick_params(axis=’x’, labelsize=13) axes.tick_params(axis=’y’, labelsize=13) axes.set_title(f’Top {N} most common Trigrams in Reuters articles’, fontsize=15) plt.show() # 词云 wc = WordCloud(width=2000, height=1000, collocations=False, background_color=”white”, color_func=col_func, max_words=200, random_state=np.random.randint(1,8)).generate_from_frequencies(article_trigrams) fig, ax = plt.subplots(figsize=(20,10)) ax.imshow(wc, interpolation=’bilinear’) ax.axis(“off”) ax.set_title(‘Trigrams Words of Reuters Articles’, pad=24, fontdict=fd) plt.show()
大多数的三元组都与双元组相似,但无法提供更多信息。所以我们在这里结束这一部分。
(3)文本数据的命名实体识别(NER)标记
NER是从文本数据中提取特定信息的过程。在NER的帮助下,我们从文本中提取位置、人名、日期、数量和组织实体。在这里了解NER的更多信息。我们使用Spacy python库来完成这项工作。
import spacy from matplotlib import cm from matplotlib.pyplot import plt nlp = spacy.load('en_core_web_sm') ner_collection = {"Location":[],"Person":[],"Date":[],"Quantity":[],"Organisation":[]} location = [] person = [] date = [] quantity = [] organisation = [] def ner_text(text): doc = nlp(text) ner_collection = {"Location":[],"Person":[],"Date":[],"Quantity":[],"Organisation":[]} for ent in doc.ents: if str(ent.label_) == "GPE": ner_collection['Location'].append(ent.text) location.append(ent.text) elif str(ent.label_) == "DATE": ner_collection['Date'].append(ent.text) person.append(ent.text) elif str(ent.label_) == "PERSON": ner_collection['Person'].append(ent.text) date.append(ent.text) elif str(ent.label_) == "ORG": ner_collection['Organisation'].append(ent.text) quantity.append(ent.text) elif str(ent.label_) == "QUANTITY": ner_collection['Quantity'].append(ent.text) organisation.append(ent.text) else: continue return ner_collection articles_word_limit['ner_data'] = articles_word_limit['text'].map(lambda x: ner_text(x)) location_name = [] location_count = [] for i in location_counts.most_common()[:10]: location_name.append(i[0].upper()) location_count.append(i[1]) fig, ax = plt.subplots(figsize=(15, 8), dpi=100) ax.barh(location_name, location_count, alpha=0.7, # width = 0.5, color=cm.Blues([i / 0.00525 for i in [ 0.00208, 0.00235, 0.00281, 0.00317, 0.00362, 0.00371, 0.00525, 0.00679, 0.00761, 0.00833]]) ) plt.rcParams.update({'font.size': 10}) rects = ax.patches for i, label in enumerate(location_count): ax.text(label+100 , i, str(label), size=10, ha='center', va='center') ax.text(0, 1.02, 'Count of Location name Extracted from Reuters Articles', transform=ax.transAxes, size=12, weight=600, color='#777777') ax.xaxis.set_ticks_position('bottom') ax.tick_params(axis='y', colors='black', labelsize=12) ax.set_axisbelow(True) ax.text(0, 1.08, 'TOP 10 Location Mention in Reuters Articles', transform=ax.transAxes, size=22, weight=600, ha='left') ax.text(0, -0.1, 'Source: http://kdd.ics.uci.edu/databases/reuters21578/reuters21578.html', transform=ax.transAxes, size=12, weight=600, color='#777777') ax.spines['right'].set_visible(False) ax.spines['top'].set_visible(False) ax.spines['left'].set_visible(False) ax.spines['bottom'].set_visible(False) plt.tick_params(axis='y',which='both', left=False, top=False, labelbottom=False) ax.set_xticks([]) plt.show()
从这个图表中,你可以说大多数文章都包含来自美国、日本、加拿大、伦敦和中国的新闻。
对美国的高度评价代表了路透在美业务的重点。
person变量表示1987年谁是名人。这些信息有助于我们了解这些人。
organization变量包含世界上提到最多的组织。
(4)文本数据中的唯一词
我们将在使用TF-IDF的文章中找到唯一的词汇。词频(TF)是每篇文章的字数。反向文档频率(IDF)同时考虑所有提到的文章并衡量词的重要性,。
TF-IDF得分较高的词在一篇文章中的数量较高,而在其他文章中很少出现或不存在。
让我们计算TF-IDF分数并找出唯一的单词。
from sklearn.feature_extraction.text import TfidfVectorizer tfidf_vectorizer = TfidfVectorizer(use_idf=True) tfidf_vectorizer_vectors=tfidf_vectorizer.fit_transform(articles_word_limit[‘text_clean’]) tfidf = tfidf_vectorizer_vectors.todense() tfidf[tfidf == 0] = np.nan # 使用numpy的nanmean,在计算均值时忽略nan means = np.nanmean(tfidf, axis=0) # 将其转换为一个字典,以便以后查找 Means_words = dict(zip(tfidf_vectorizer.get_feature_names(), means.tolist()[0])) unique_words=sorted(means_words.items(), key=lambda x: x[1], reverse=True) print(unique_words)
(5)用K-均值聚类文章
K-Means是一种无监督的机器学习算法。它有助于我们在一组中收集同一类型的文章。我们可以通过初始化k值来确定组或簇的数目。了解更多关于K-Means以及如何在这里选择K值。作为参考,我选择k=4。
from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.cluster import KMeans from sklearn.metrics import adjusted_rand_score vectorizer = TfidfVectorizer(stop_words=’english’,use_idf=True) X = vectorizer.fit_transform(articles_word_limit[‘text_clean’]) k = 4 model = KMeans(n_clusters=k, init=’k-means++’, max_iter=100, n_init=1) model.fit(X) order_centroids = model.cluster_centers_.argsort()[:, ::-1] terms = vectorizer.get_feature_names() clusters = model.labels_.tolist() articles_word_limit.index = clusters for i in range(k): print(“Cluster %d words:” % i, end=’’) for title in articles_word_limit.ix[i [[‘text_clean’,’index’]].values.tolist(): print(‘ %s,’ % title, end=’’)
它有助于我们将文章按不同的组进行分类,如体育、货币、金融等。K-Means的准确性普遍较低。
NER和K-Means是我最喜欢的分析方法。其他人可能喜欢N-gram和Unique words方法。在本文中,我介绍了最着名和闻所未闻的文本可视化和分析方法。本文中的所有这些方法都是独一无二的,可以帮助你进行可视化和分析。
我希望这篇文章能帮助你发现文本数据中的未知数。
领取专属 10元无门槛券
私享最新 技术干货