读大学时期写的博文
目的
在公司实习，分别从国内国外两个网站爬取了一些展会数据，在数据处理上目前需要将其按照各个类别分类好，并提供对应展会地址的经纬度，国内数据如下：
国内数据比较少，占四百多条，在类别上来看有所属行业这一列，所以比较好处理，国外数据就有些尴尬：
国外网站展会数据将近五万多条，跟分类有关的只有 categories这一列数据，都是一些标签词，还偏少。
现在需要将五万多条展会数据进行分类，如何解决这个问题，我觉得可以写个朴素贝叶斯分类器。
数据
朴素贝叶斯分类器是利用样本数据来进行训练的，每个样本必须含有一组特征词以及对应的分类。
数据的准备
获取的国内数据就很适合作为训练数据，可以将其处理成如下格式作为样本输入：
训练数据主要是这两列，所属行业以及展会范围，每一行的类别都有其对应的展会范围，将这些作为训练数据实在再好不过，我们将其称之为训练集。
那么相对应，国外待分类的展会数据便是测试集。
我们将利用训练好的分类器，将测试集一一输入，看看能否得到期望的输出结果。
可是现在有个问题，作为训练集的国内数据只有四百多条，实在太少，于是我只能再去那个国内展会网站将以前的展会数据尽量爬取下来，最终训练集达到了 39555条，虽说数量还是不够，但是不试试最终分类器的分类结果，说不定准确率还可以呢？
分词&&提取
不积小流，无以成江海，以小见大，咱们看这样一条数据:
所属行业：建材五金 展会范围：各类卫生洁具、浴室家具和配件、面盆、马桶、淋浴房、浴缸、花洒、水龙头及配件、浴室照明、镜子、五金挂件等
思考一下，这一条数据的所属行业和展会范围有什么关系，我们将从这里得到编写分类器的出发点。
在这条数据中，展会范围的内容是具有一定的代表性的，其代表这条数据的描述很偏向建材五金这个行业。
那我么是不是可以提炼出这个描述的关键词，从而让这个关键词代表建材五金这个行业。
# 可以利用结巴分词 import jieba.analyse con = "各类卫生洁具、浴室家具和配件、面盆、马桶、淋浴房、浴缸、花洒、水龙头及配件、浴室照明、镜子、五金挂件等" feature = jieba.analyse.extract_tags(con, 8) print(feature) # output：['配件', '各类', '家具', '五金', '照明', '浴室', '淋浴房', '浴缸']
那么刚刚那条数据可以这样看：
# data_01 所属行业：建材五金 描述关键词：'配件', '各类', '家具', '五金', '照明', '浴室', '淋浴房', '浴缸'
以此类推，如果一条未分类数据的关键词也是这样，那是不是可以将该数据归为建材五金这个类别，是的，你可以这么干。
但有个问题，若该未分类数据的关键词只含有以上关键词的某个，比如：
# data_02 所属行业：未知 描述关键词：'配件','家具'
这样子若分为建材五金不大对吧，我倒觉得应该分为房产家居，这个问题可以解决，就让我们的概率出场吧。
大三的时候学过概率统计，也记得一个公式名为贝叶斯定理。
这表示计算条件概率的公式:
P(A\B) = P(B\A)*P(A)/P(B) == 后验概率 = 先验概率 ｘ 调整因子 # 这样写会不会更加清晰 P(category\keywords) = P(category) * P(keywords\category)/ P(keywords) ## 朴素贝叶斯便是假设即将被组合的各个概率是独立的，可以理解成keyword1出现在category1的概率和keyword2出现在category1的概率是没有关系的，是独立的。 P(category\keywords) = P(category) * P(keyword1\category)P(keyword2\category)...P(keywordn\category)/ P(keywords)
总结就是，我们先求出样本空间中每个分类的概率P(category)——先验概率
再求出一组待分类数据的关键词在各个类别中的概率P(keywords\category)——调整因子
最后先验概率*调整因子得出后验概率，再经过比较，后验概率最大的，便是待分类数据最可能的类别。
我们的准备很充足了，但在写分类器之前，还是先将下面要用到的数据提前提取出来。
2.2.1.确定训练数据有多少类别
2.2.2.训练数据的关键词集合，为了方便后续计算，将其转为id:word的格式存为id_word.txt
2.2.3.计算出每个关键词在每个不同类别出现的概率，将其转为category=id:pro(id)的格式存为tf_id_word.txt
2.2.4.求出样本空间中每个分类的概率P(category)——先验概率，将其转为category:pro(category)的格式存为type_pro.txt
编码
经过前面的步骤，现在编写代码实在简单，不过有两点要注意。
其一是关键词并不是在每个类别都会出现，这样会导致P(keyword\category) = 0，进而导致整个后验概率为0，为了解决这个问题，可以引入拉普拉斯平滑，这样便确保不会出现为0的情况，具体代码中有介绍。
其二是若每个调整因子的数值都很小，大家都知道很小的值相乘，会导致结果变得更小，这样子表现出各个分类结果的后验概率便会出现问题，这个问题便是下溢出问题，解决办法便是将其转化为对数，对数相乘便是对数相加，这样便很巧妙的解决了这个问题。
好了，直接上代码，让我们看看分类的结果吧。
# -*-coding:utf-8-*- __author__ = 'howie' import jieba.analyse import pandas as pd import math class Pridict(object): """ 利用txt/中数据进行朴素贝叶斯算法训练 """ def __init__(self): # 初始化结果字典 self.resultData = {} def getKeyword(self, path): """ 通过结巴分词进行关键词提取 :param path: 待分词文件路径 相关参数可更改 也可不调用直接写 :return: keywordDic = {index:['word1','word2'...]} """ keywordDic = {} df = pd.read_csv(path) for des in df.values: jieba.analyse.set_idf_path('txt/type_dict.txt') feature = jieba.analyse.extract_tags(des[15], 8) keywordDic[des[16]] = feature return keywordDic def idDic(self, keywordDic): """ 将每条待分类关键词替换成对应的单词向量 :param keywordDic:格式 keywordDic = {index:['word1','word2'...]} :return: keywordDic = {'1': ['12198', '16311', '6253', '8302']} """ with open('txt/id_word.txt', 'r', encoding='utf8') as of: lines = of.read().split('\n') for key, values in keywordDic.items(): id_word = [] for eachValue in values: id_word += [eachLine.split(':')[0] for eachLine in lines if eachValue == eachLine.split(':')[-1]] keywordDic[key] = id_word return keywordDic def calPro(self, keywordDic): """ 计算每一组待分类数据关键词对应概率总和 :param keywordDic:格式 keywordDic = {'1': ['12198', '16311', '6253', '8302']} :return: result = {'1': {'type1': -33.23204707236557, 'type3': -31.376043125934267, 'type3': -27.385192803356617...} """ result = {} # print(keywordDic) # 获取每个类别关键词出现概率 with open('txt/tf_id_word.txt', 'r', encoding='utf8') as of: lines = of.read().split('\n')[0:-1] # 循环待分类数据 for key, values in keywordDic.items(): result[key] = {} # 读取分类概率文件中读取每行数据 for eachLine in lines: valLen = len(values) valPro = list(map(lambda x: '', [x for x in range(0, valLen)])) laplace
初步写好分类器，其实这才是任务的开始，分类器的最重要的是第二部分的数据提取，接下来需要通过不断地训练，让数据变得更加优雅美丽，从而让分类器的结果趋于完美，本人苦逼地调了一个星期，现在也就勉强能用。
让我们看看分类器的分类效果：
可以看到分类器给出的参考分类很有代表性，这一段就此结束，若有错误，敬请指出，谢谢。
