0 前言

本文主要讲述以下几点：
        1.通过scikit-learn计算文本内容的tfidf并构造N*M矩阵(N个文档 M个特征词)；
        2.调用scikit-learn中的K-means进行文本聚类；
        3.使用PAC进行降维处理，每行文本表示成两维数据；
        4.最后调用Matplotlib显示聚类效果图。

1 输入

文本输入是读取本地的01_All_BHSpider_Content_Result.txt文件，里面包括1000行数据，其中001~400行为景区、401~600为动物、601~800为人物明星、801~1000为国家地理文本内容（百度百科摘要信息）。
该内容可以自定义爬虫进行爬取，同时分词采用Jieba进行。

 免费下载包括代码py文件和01_All_BHSpider_Content_Result.txt。
下载地址：http://download.csdn.net/detail/eastmount/9410810
 

2 源代码

代码如下，详见注释和后面的学习笔记推荐：

[python] view plain copy

1. # coding=utf-8  
2. """ 
3. Created on 2016-01-16 @author: Eastmount
4. 输入：打开txt 对应1000个文本
5. 001~400 5A景区 401~600 动物 601~800 人物 801~1000 国家 
6. 输出：txt tfidf值聚类图形 1000个类标 
7. 参数：weight权重这是一个重要参数 
8. """
10. importtime            
11. importre            
12. importos    
13. importsys  
14. importcodecs  
15. importshutil  
16. importnumpy as np  
17. importmatplotlib  
18. importscipy  
19. importpyplot as plt  
20. fromsklearn importfeature_extraction    
21. fromfeature_extraction.text importTfidfTransformer    
22. fromfeature_extraction.text importCountVectorizer  
23. fromfeature_extraction.text importHashingVectorizer   
25. if__name__ == "__main__":  
27. #########################################################################
28. #                           第一步计算TFIDF  
30. #文档预料空格连接  
31. corpus = []  
33. #读取预料一行预料为一个文档  
34. forline in open('01_All_BHSpider_Content_Result.txt', 'r').readlines():  
35. #print line
36. append(line.strip())  
37. #print corpus
39. #参考: http://blog.csdn.net/abcjennifer/article/details/23615947
40. #vectorizer = HashingVectorizer(n_features = 4000)
42. #将文本中的词语转换为词频矩阵矩阵元素a[i][j] 表示j词在i类文本下的词频  
43. vectorizer = CountVectorizer()  
45. #该类会统计每个词语的tf-idf权值
46. transformer = TfidfTransformer()  
48. #第一个fit_transform是计算tf-idf 第二个fit_transform是将文本转为词频矩阵
49. tfidf = transformer.fit_transform(vectorizer.fit_transform(corpus))  
51. #获取词袋模型中的所有词语  
52. word = vectorizer.get_feature_names()  
54. #将tf-idf矩阵抽取出来，元素w[i][j]表示j词在i类文本中的tf-idf权重
55. weight = tfidf.toarray()  
57. #打印特征向量文本内容
58. print'Features length: ' + str(len(word))  
59. resName = "BHTfidf_Result.txt"
60. result = codecs.open(resName, 'w', 'utf-8')  
61. forj in range(len(word)):  
62. write(word[j] + ' ')  
63. write('\r\n\r\n')  
65. #打印每类文本的tf-idf词语权重，第一个for遍历所有文本，第二个for便利某一类文本下的词语权重  
66. fori in range(len(weight)):  
67. #print u"-------这里输出第", i, u"类文本的词语tf-idf权重------"  
68. forj in range(len(word)):  
69. #print weight[i][j],
70. write(str(weight[i][j]) + ' ')  
71. write('\r\n\r\n')  
73. close()  
76. ########################################################################
77. #                               第二步聚类Kmeans  
79. print'Start Kmeans:'  
80. fromcluster importKMeans  
81. clf = KMeans(n_clusters=4)   #景区动物 人物 国家  
82. s = clf.fit(weight)  
83. prints  
85. '''''
86. print 'Start MiniBatchKmeans:'
87. from sklearn.cluster import MiniBatchKMeans
88. clf = MiniBatchKMeans(n_clusters=20)
89. s = clf.fit(weight)
90. print s
91. '''
93. #中心点
94. print(clf.cluster_centers_)  
96. #每个样本所属的簇
97. label = []               #存储1000个类标4个类  
98. print(clf.labels_)  
99. i = 1  
100. whilei <= len(clf.labels_):  
101. printi, clf.labels_[i-1]  
102. append(clf.labels_[i-1])  
103. i = i + 1  
105. #用来评估簇的个数是否合适，距离越小说明簇分的越好，选取临界点的簇个数137281791
106. print(clf.inertia_)  
109. ########################################################################
110. #                               第三步图形输出 降维  
112. fromdecomposition importPCA  
113. pca = PCA(n_components=2)             #输出两维
114. newData = pca.fit_transform(weight)   #载入N维
115. printnewData  
117. #5A景区
118. x1 = []  
119. y1 = []  
120. i=0  
121. whilei<400:  
122. append(newData[i][0])  
123. append(newData[i][1])  
124. i += 1  
126. #动物
127. x2 = []  
128. y2 = []  
129. i = 400  
130. whilei<600:  
131. append(newData[i][0])  
132. append(newData[i][1])  
133. i += 1  
135. #人物
136. x3 = []  
137. y3 = []  
138. i = 600  
139. whilei<800:  
140. append(newData[i][0])  
141. append(newData[i][1])  
142. i += 1  
144. #国家
145. x4 = []  
146. y4 = []  
147. i = 800  
148. whilei<1000:  
149. append(newData[i][0])  
150. append(newData[i][1])  
151. i += 1  
153. #四种颜色红 绿 蓝 黑  
154. plot(x1, y1, 'or')  
155. plot(x2, y2, 'og')  
156. plot(x3, y3, 'ob')  
157. plot(x4, y4, 'ok')  
158. show()  

3 输出结果

采用Kmeans中设置类簇数为4，分别表示景区、动物、明星和国家。
其中运行结果如下图所示，包括17900维tfidf特征向量： 

聚类输出结果如下图所示：其中"红-景区 绿-动物 蓝-人物 黑-国家"。由于数据集比较小，文本聚类效果还是很明显的，而LDA算法是计算每个主题分布的算法，推荐你也去学习下。

4 性能评估

这里我想结合文本聚类简单叙述下最常用的评估方法：
        正确率 Precision = 正确识别的个体总数 /  识别出的个体总数
        召回率 Recall = 正确识别的个体总数 /  测试集中存在的个体总数
        F值 F-measure = 正确率 * 召回率 * 2 / (正确率 + 召回率)

由于"clf.labels_"会返回聚类每个样本所属的簇，比如1000行数据，就会返回1000个label值。同时，clf = KMeans(n_clusters=4)设置了类簇为4，故每个值对应在0、1、2、3中的一个，统计结果如下：

其中以世界国家为例，label1数目为198，同时识别出的个体数=198(世界国家)+2(动物)=200，故：
        准确率=198/200=0.990
其中动物里面有两个聚类到了世界国家中。而召回率我以人物明星为例，因为知道测试集中601~800这200个数据对应人物明星，故测试集中存在个体数为200，而正确识别数目为185个，故：
        召回率=185/200=0.925
最后计算F值即可。同时可以计算宏平均聚类准确率（Macro-Prec）和宏平均召回率（Macro-Rec）。

5 总结及推荐学习资料

代码中有几个问题我没有实现，包括：
        (1) 使用HashingVectorizer(n_features = n)设置维数，如何选择更合理的特征；
        (2) 调用plt.legend([plot1, plot2, plot3, plot4], (u'景区', u'动物', u'明星', u'国家') )
报错"AttributeError: 'NoneType' object has no attribute 'tk'"；
        (3) sklearn其它聚类算法以及设置聚类中心点。

但是对那些刚接触Python聚类算法的同学 ，这篇文章还是有一定帮助的！