一、python文本分析概念

文本分析中第一个概念是停用词，这种词有三个特点：（1）语料中大量出现；（2）没啥用；（3）留着没用。比如符号（！@#）、语气词（啊、一个、一下）等。这类词找出来之后就可以剔除

第二个概念是TF-IDF（用来做关键词提取），TF指词频（Term Frequency），IDF（Inverse Document Frequency）指“逆文档频率”，如果某个词比较少见，但是它在这篇文章中多次出现，那么它很可能就反映了这篇文章的特性正是我们所需要的关键词。

区分TF和IDF关注一个特点：词频TF是在分析的文章中、逆文档频率IDF是假定找到全量文本后的分析，全量文档数可以用诸如的搜到的文档来估算。TF-IDF=TF×IDF，两者相乘就得到了这个词的重要程度！这个算法也很聪明。

第三个概念是相似度，一般用的比较多的是余弦相似度，如下图所示。这种相似度取决于先将词、句子向量化，找到足够的特征之后用余弦的映射概念比较两者之间的相关程度，向量化的也有自监督和标注的方式，自监督也是目前词嵌入里很棒的方法，总之有了词向量之后就有了NLP的基础。

第四个概念便是LDA（Linear Discriminant Analysis） ：主题模型。LDA算法是一种有监督的机器学习算法，和PCA有点像，也是能做降维的，主要用在展示侧，要想看到图的效果，采用这个算法还不错，如果在训练中想减少维度就用PCA。

二、贝叶斯方法

贝叶斯想解决的问题，是逆向概率。正向概率是指，一个袋里有M个黑球、N个白球，那么我取出黑球的概率是多少，比较直观、好算。相较而言，逆向概率逻辑复杂一点，我们不知道有多少个白球、黑球，摸出来一个或几个黑球，我们对黑、白球比例做推测。

贝叶斯方法的数学逻辑很有意思，反映一种现实世界的不确定性，人类的观察能力是有局限性的，只能看到表面的结果，深层次的逻辑还需要推测。当然量子的世界也是概率性的，很适合这种数学逻辑。

贝叶斯公式：

公式很好记，实际应用中，比如单词纠错中有些变形的点。比如输错了一个单词thaw，实际上可能是that，用户实际输入的单词记为D（即为观测数据），猜测统一为P(h | D) 变形P(h) * P(D | h) / P(D)，D是常数，不影响，看上面这一部分P(h) * P(D | h)就行。

对于P(h) * P(D | h)这部分的处理，用到三个概念，一是事件间的独立性，假定事件间相互独立，贝叶斯算法变成朴素贝叶斯，猜测变得更纯粹简单，当然牺牲了事件的真实性，这种牺牲在LSTM、Transformer中就不必要了，只要数据更大；二是最大似然，用来求P(D | h)，最符合观测数据的估计最优优势；三是奥卡姆剃刀，指模型或者思维能用简单的更好，如果模型既可以用多种多项式表示，越是高阶的多项式越是不常见，采用P(h)较大的模型，我们如果看到h出现，那么就可以认为P(h)=1。

总结：贝叶斯算法在逻辑上很有趣，但在判断中准确率不高，后续逐步被深度学习算法融合、取代。

三、代码实例

采用jupyter notebook（适合做分析，pycharm适合做开发）看示例

先导包：

import pandas as pd
import jieba

导入数据，数据源：搜狗搜索引擎 - 上网从搜狗开始

pd.read_table中names表示列名，dropna表示剔除空值

df_news = pd.read_table('./data/val.txt',names=['category','theme','URL','content'],encoding='utf-8')
df_news = df_news.dropna()
df_news.head()

看看数据的维度是(5000, 4)，包括用jieba进行分词等步骤省略，最后得到。

df_news.shape

去除停用词代码如下，contents即为昨晚各类处理后的文本，stopwords为停用词，选好停用词做剔除即可。

def drop_stopwords(contents,stopwords):
    contents_clean = []
    all_words = []
    for line in contents:
        line_clean = []
        for word in line:
            if word in stopwords:
                continue
            line_clean.append(word)
            all_words.append(str(word))
        contents_clean.append(line_clean)
    return contents_clean,all_words

TF-IDF 提取关键词，调用jieba.analyse即可：

import jieba.analyse
index = 2400
print (df_news['content'][index])
content_S_str = "".join(content_S[index])  
print ("  ".join(jieba.analyse.extract_tags(content_S_str, topK=5, withWeight=False)))

lda模型的调用，提取主题：

lda = gensim.models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=20)
print (lda.print_topic(1, topn=5))

贝叶斯分类代码：

from nltk import NaiveBayesClassifier
nb_classifier = NaiveBayesClassifier.train(train_set)
nb_classifier.classify(gender_features('Gary'))

总结：python里面封装了大量包，很好用，不用重复造轮子，理解就行，根据需求再来找例子、挑着学、完成自己项目就行。