学习 python 的可爱的孩子们

又是一个学期,时间真快,自己也不容易,这个学期14节课,风里来雨里去,来回就要1个多小时,坚持下来。今天终于是最后一节课,欢乐的考试时光。

还是希望现在这些条件越来越好的孩子们,可以好好学习电脑,学习编程,成为未来的栋梁之才!

小时候自己主要在中学和少科站,至今不能忘记当年格致中学的励幼娣、周柏生老师,少科站的曹文浩老师,谢谢他们的悉心指点,当年的我也有点像现在这些孩子,聪明、贪玩。很多道理都是后来才懂。

学习 python 这一年

大约2015年4月到5月开始,正式学习 python,发现之前大概在2009年左右也学过,可能当时没有坚持下去。

记得去年开始学 python 的时候,1个月左右,给同事写了一个基于 csv 处理的小程序,当时就被 python 的简洁优雅所倾倒。

然后边学边写东西,本来为公司 zion 框架写一个 dsl,当时水平还不行,所以写成了一个 sql 的包装工具 r2,用来在前端业务逻辑调用后台数据库的时候简化 sql 语句写法以及做到和数据库无关。

真正让我自己 python 水平感觉有点突破的是几个事情:

1 写真正生产上的应用。需要考虑的事情非常多,比如一个简单的 r2,就让我学到了 log、conf、import、class 等很多基本知识的应用,以及单元测试、性能测试。

2 教别人 python。这是让自己的基础知识巩固最好的办法之一。要把别人教会,且处理各类奇怪的运行错误,很有挑战。这样的结果,是对诸如列表、字符串、元组、字典、函数、循环等基本概念非常清楚。不管多复杂的程序,90%的代码其实还是基本的操作,在这90%的代码设计和编写的时候可以减少错误,节约时间,自然有用。

3 看资料。晚上有大量的英文和中文的 python 资料,绝大多数都写的很好,受益匪浅。

在我的推进下,公司也在个别项目上开始使用 python,通过 flask 来构建 restful 接口,机器学习也基于 keras 和 tensorflow 开始了实际的应用。

我相信,进步会是跳跃式的,而这还是仅仅发生在一年间,python 在胶水语言的应用,连接 js、php、java 和 moble 开发上面,以及 python 在人工智能、机器学习上这几年强劲的表现,都让人激动不已。

我的2016 Python B 班

从三月开始,江湖救急。

也一直好为人师。

终于找到了舞台。

昨天,这13个小孩,Python 初级班结束。

谢谢豆妈,谢谢静枫,谢谢所有的家长,谢谢聪明的孩子们。

很多时候感觉回到了自己小时候,在少科站、少年宫、格致老大楼的机房。

IMG_7951

IMG_7952

或许,这样耗费很多业余时间,来回路上,准备讲义和题目,制作考试用的 rpg 游戏,有的人会觉得我很傻,很多时候我也认为自己不是一个一流的程序员,但是当这些孩子们编程入门了,或许明天的 facebook、google 的创造者就在他们中间,想想这也是很开心的。

使用 python 基于朴素贝叶斯进行文本分类学习笔记之五:增加停用词

还记得之前我们搭建的朴素贝叶斯的分类模型,在正面负面各9个样本的情况下,正确率如下。

{'01': 1, '10': 5, '00': 7, '11': 3}
(0.875, 0.375)

 

我开始引入停用词,从测试来看,主要是在训练的时候效果比较明显,因为中文样本中标点符号和很多常用词占比还是比较大的,引入停用词机制前后,差不多是三分之一的量。

下面是读入停用词的函数代码。

 def read_stopwords(self):

        self.stopwords_list = []

        # 获得停用词文件的本地文件
        filename = get_long_filename_with_sub_dir_module('bayes', 'stopwords.txt')[1]

        with open(filename, 'r') as f:
            for line in f:
                self.stopwords_list.append(line.rstrip())

        print(self.stopwords_list)

 

目前我是将朴素贝叶斯的这个分类,作为 fish_base 包的一部分功能。对于停用词来说属于功能部分,而之前的训练文档其实不是功能部分,是由真实代码或者 demo 代码传递给分类器的。因此训练文档和测试文档属于 demo 代码,而停用词属于分类器代码。

(国内网上很多的贝叶斯代码的解释者可能都是学习数据分析、统计分析的职业人士,但是代码的写法和扩展性,略显简单,我可能习惯了尽量做得完善一些,副作用是会比较复杂一点,需要更多 python 和编程的基础)

整个类的代码最后给出。这里解释一下

get_long_filename_with_sub_dir_module

这个函数是为了获得模块运行时候的路径,否则一般的获取路径办法获得是执行文件的路径,这就是之前说的如果只是一个 demo,不会有这个问题,统统在一个路径下面,但是如果考虑做成包,做成 module,封装逻辑的话,就会复杂一点,另外还要考虑各个操作系统可能的差异。

这个函数属于 fish_base 的 commmon 部分,目前 fish_base 公开的版本1.0.7 中还不支持,在 github 上的1.0.8 支持该函数。

停用词来自于之前说到过的 snownlp 包,感谢作者。停用词数量大约1400个左右,以后考虑支持用户自定义停用词。

在训练过程引入停用词之后,再用昨天的测试样本测试一下,得到了如下的结果。

{'00': 8, '10': 4, '01': 0, '11': 4}
(1.0, 0.5)

 

正面被分类成正面准确率100%,负面被分类成负面也从37.5% 提升到 50%,略有进步。

按照公司数据分析团队的建议,后者百分比还不够高是因为训练样本太少的缘故。

如此少的训练样本,得到了这样的结果,不得不说朴素贝叶斯的确很厉害,一点也不 naive。

之后我们还会继续改进的地方是:
1 将判断错误的样本增加到训练样本中,来重新训练
2 分词,增加用户自定义词汇
3 测试材料,增加停用词处理(目前测试下来,对提升正确率没有作用),这也和目前举例中的测试文本比较短有关,并且这个也和性能有关,训练过程中引入停用词判断对性能的损失是无所谓的,反正是在训练过程中,但是实际使用分类还是要越快越好
4 我们会将整个分类器通过 Falsk 包装成 web 接口,加入 job 概念,这样调用程序只需要传入训练文本和测试文本,之后就可以生成特定的分类器概率矩阵,然后供调用程序在真实场景下使用,作为调用程序的项目组不需要知道后面这些细节
5 所有的数据存储可以本地实例化,sqlite 或者 mysql 之类的支持
6 支持三元和四元的分类

从用 python 来实现朴素贝叶斯分类器来对中文文本进行倾向性分析来说,暂时告一段落了。所有代码都是这几天里面改写和增加的,防止错误的部分几乎没有,也没有进行完整的单元测试。

下面是当前版本完整的朴素贝叶斯分类器的类的代码,直接使用需要有 python 基础,也可以之后使用 fish_base 包来调用。

最新版本源代码在这里: github.com/chinapnr/fish_base

pypi 的安装包会稍微滞后一些。

from numpy import *
import jieba

from fish_base import get_long_filename_with_sub_dir_module


class ClassNaiveBayes:

    # 训练 list, 默认内容, 原书中的内容
    train_doc_list = [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],
                      ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
                      ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'],
                      ['stop', 'posting', 'stupid', 'worthless', 'garbage'],
                      ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
                      ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
    # 倾向性向量, 0:正面 1:负面
    train_doc_sent_vec = [0, 1, 0, 1, 0, 1]

    # 单词列表集合
    word_list = []

    # 正面和负面概率, 先验概率
    p0_v = 0
    p1_v = 0
    p_ab = 0

    stopwords_list = []

    # 2016.5.18
    # 读入停用词
    def read_stopwords(self):

        self.stopwords_list = []

        # 获得停用词文件的本地文件
        filename = get_long_filename_with_sub_dir_module('bayes', 'stopwords.txt')[1]

        with open(filename, 'r') as f:
            for line in f:
                self.stopwords_list.append(line.rstrip())

        print(self.stopwords_list)

    # 2016.5.19
    def word_optimize(self, l):
        # 停用词过滤
        temp_word_list = [x for x in l if x not in self.stopwords_list]
        return temp_word_list

    # 2016.5.16 5.19
    # 创建单词集合
    # 输入 data_list: 数据列表内容, 两维list
    # 输出 单维list
    def create_word_list(self, data_list):
        # create empty set
        word_set = set([])
        for document in data_list:
            # union of the two sets
            word_set = word_set | set(document)
        word_list = list(word_set)
        # 词汇处理
        word_list = self.word_optimize(word_list)
        # print('word list count:', len(word_list))
        return word_list

    # 2016.5.16
    # 将单词 list 转换为向量
    # 输入 word_list: 单词列表 new_word_list: 需要向量化的单词列表
    # 输出 vec: 生成的向量数组
    @staticmethod
    def words_to_vec(word_list, new_word_list):
        vec = [0] * len(word_list)
        for word in new_word_list:
            if word in word_list:
                vec[word_list.index(word)] += 1
            else:
                pass
                # print("the word: %s is not in my Vocabulary!" % word)
        return vec

    # 2016.5.16
    # 进行 naive bayes 训练
    # 输入 train_matrix: 训练举证 train_category: 正反向量列表
    # 输出 p0_v, p1_v:正面反面概率, p_ab:先验概率
    @staticmethod
    def train_nb0(train_matrix, train_category):

        num_train_docs = len(train_matrix)
        num_words = len(train_matrix[0])
        p_ab = sum(train_category) / float(num_train_docs)

        # 创建给定长度的填满1的数组
        p0_num = ones(num_words)
        p1_num = ones(num_words)

        p0_d = 2.0
        p1_d = 2.0
        for i in range(num_train_docs):
            if train_category[i] == 1:
                p1_num += train_matrix[i]
                p1_d += sum(train_matrix[i])
            else:
                p0_num += train_matrix[i]
                p0_d += sum(train_matrix[i])

        p1_v = log(p1_num / p1_d)
        p0_v = log(p0_num / p0_d)
        return p0_v, p1_v, p_ab

    # 2016.5.16
    # 分类
    # 输入 向量, 正面反面概率,事件概率
    # 输出 正面或者反面
    @staticmethod
    def classify_nb(vec, p0_vec, p1_vec, p_class1):
        # element-wise mult
        p0 = sum(vec * p0_vec) + log(1.0 - p_class1)
        p1 = sum(vec * p1_vec) + log(p_class1)
        print('p0:', p0, 'p1:', p1)
        if p1 > p0:
            return 1
        else:
            return 0

    # 2016.5.16
    # 训练, 生成需要的向量参数等
    def train(self):
        # 生成单词列表集合
        self.word_list = self.create_word_list(self.train_doc_list)

        # 训练矩阵初始化
        train_matrix = []

        # 根据训练文档进行循环
        for post_in_doc in self.train_doc_list:
            # 构建训练矩阵, 将单词列表转化为向量
            train_matrix.append(self.words_to_vec(self.word_list, post_in_doc))

        # 根据训练矩阵和情感分析向量进行训练,得到
        self.p0_v, self.p1_v, self.p_ab = self.train_nb0(array(train_matrix), array(self.train_doc_sent_vec))

    # 2016.5.16
    # 根据输入内容测试 Naive Bayes 模型
    # 输入 test_word_list: 需要测试的单词 list
    # 输出 0 or 1, 表示正面或者反面
    def run_nb(self, word_list):

        # 对输入的内容转化为向量
        this_post_vec = array(self.words_to_vec(self.word_list, word_list))

        # 返回分类的值
        return self.classify_nb(this_post_vec, self.p0_v, self.p1_v, self.p_ab)

    # 2016.5.18
    @staticmethod
    def init_cut_word():
        jieba.initialize()

    # 2016.5.18
    # 打开训练文档, 将内容增加到内部变量
    def open_train_doc_ch(self, filename, class_mark):

        train_txt0 = []
        with open(filename, 'r') as f:
            for line in f:
                train_txt0.append(line.rstrip())

        for item in train_txt0:
            s = list(jieba.cut(item))
            self.train_doc_list.append(s)
            self.train_doc_sent_vec.append(class_mark)

    # 2016.5.18
    # 根据测试样本来测试分类的准确率
    # 输出 人工正确/机器判断正确 人工错误/机器判断错误 的两个百分比
    def test_nb(self, filename):

        test_doc_list = []
        pre_class_list = []

        # 设定测试结果 dict
        test_result_dict = {'11': 0, '10': 0, '00': 0, '01': 0}

        # 打开测试文本
        with open(filename, 'r') as f:
            for line in f:
                # 获得人工设定的类别
                pre_class_list.append(line[0:1])
                # 获得需要测试的文本
                test_doc_list.append(line[2:].rstrip())

        # 测试文本的长度
        test_doc_count = len(test_doc_list)

        for i, item in enumerate(test_doc_list):

            s = list(jieba.cut(item))

            # 对输入单词进行优化处理
            s = self.word_optimize(s)

            # 获得程序分类结果
            computer_class = self.run_nb(s)
            # 获得人工设定的分类结果
            pre_class = pre_class_list[i]

            # 结果记录到测试结果 dict 中
            index = '**'

            if pre_class == '1':
                index = str(10 + computer_class)
            if pre_class == '0':
                index = '0' + str(computer_class)

            test_result_dict[index] += 1

            print(s, pre_class, computer_class)

        print(test_result_dict)

        # 返回结果, 假设测试文本中正面和负面各占一半
        return test_result_dict['00'] / (test_doc_count / 2), test_result_dict['11'] / (test_doc_count / 2)

 

下面是测试用的程序。

from fish_base import bayes
import jieba

nb = bayes.ClassNaiveBayes()

nb.train()

test_list = ['love', 'my', 'dalmation']
print(test_list, 'classified as: ', nb.run_nb(test_list))

test_list = ['stupid', 'garbage']
print(test_list, 'classified as: ', nb.run_nb(test_list))

nb.train_doc_list = []
nb.train_doc_sent_vec = []

# for Chinese

# 初始化分词
nb.init_cut_word()

# 读入停用词
nb.read_stopwords()

nb.open_train_doc_ch('train_bayes/good.txt', 0)
nb.open_train_doc_ch('train_bayes/bad.txt', 1)

nb.train()
print(nb.p0_v, nb.p1_v, nb.p_ab)

print(nb.test_nb('train_bayes/test.txt'))

# 指定测试
print()
test_s = '这个手机很好,我很喜欢'
print(test_s)
test_list = list(jieba.cut(test_s))
p = nb.run_nb(test_list)
if p == 0:
    print('classified as good ')
else:
    print('classified as bad ')

# while 1:
#     test_s = input('input comment:')
#     test_list = list(jieba.cut(test_s))
#     print(test_list)
#     p = nb.run_nb(test_list)
#     if p == 0:
#         print('classified as good ')
#     else:
#         print('classified as bad ')
#
#     print()

# 2016.5.18
# {'01': 1, '10': 5, '00': 7, '11': 3}
# (0.875, 0.375)
#
#
# 2016.5.18 增加去除停用词,一般意义
# {'11': 4, '00': 8, '10': 4, '01': 0}
# (1.0, 0.5)

 

(感谢这几天项目开发团队和数据分析开发团队同事支持和耐心讲解。)

使用 python 基于朴素贝叶斯进行文本分类学习笔记之一:开始
使用 python 基于朴素贝叶斯进行文本分类学习笔记之二:将原书程序修改并转换为类
使用 python 基于朴素贝叶斯进行文本分类学习笔记之三:中文内容的倾向性判断初步
使用 python 基于朴素贝叶斯进行文本分类学习笔记之四:增加测试文本和计算正确率
使用 python 基于朴素贝叶斯进行文本分类学习笔记之五:增加停用词

使用 python 基于朴素贝叶斯进行文本分类学习笔记之四:增加测试文本和计算正确率

当前的代码可以通过下面的链接下载,我在 github 上更新的可能比较快,所以下面给出代码历史版本:

bayes.py: https://github.com/chinapnr/fish_base/blob/55a34478425d0395a0b09fe7fce5c30b3f8cd966/fish_base/bayes/bayes.py

bayes_test.py
https://github.com/chinapnr/fish_base/blob/55a34478425d0395a0b09fe7fce5c30b3f8cd966/demo/bayes_test.py

最新版的代码可以在这里找到: https://github.com/chinapnr/fish_base, demo 在 demo 路径下。我把 naive bayes 代码合并到我们的 fish_base 库中了。

除了正面和负面文本训练以外,现在增加了测试文本,并且计算正确率,这样改进算法、改进训练之后的结果就可以通过正确率进行比较了。所以在优化停用词、中文标点前,先增加了这个功能,代码如下。

 # 2016.5.18
    # 根据测试样本来测试分类的准确率
    # 输出 人工正确/机器判断正确 人工错误/机器判断错误 的两个百分比
    def test_nb(self, filename):

        test_doc_list = []
        pre_class_list = []

        # 设定测试结果 dict
        test_result_dict = {'11': 0, '10': 0, '00': 0, '01': 0}

        # 打开测试文本
        with open(filename, 'r') as f:
            for line in f:
                # 获得人工设定的类别
                pre_class_list.append(line[0:1])
                # 获得需要测试的文本
                test_doc_list.append(line[2:])

        # 测试文本的长度
        test_doc_count = len(test_doc_list)

        for i, item in enumerate(test_doc_list):

            s = list(jieba.cut(item))

            # 获得程序分类结果
            computer_class = self.run_nb(s)
            # 获得人工设定的分类结果
            pre_class = pre_class_list[i]

            # 结果记录到测试结果 dict 中
            index = '**'

            if pre_class == '1':
                index = str(10 + computer_class)
            if pre_class == '0':
                index = '0' + str(computer_class)

            test_result_dict[index] += 1

            print(s, pre_class, computer_class)

        print(test_result_dict)

        # 返回结果, 假设测试文本中正面和负面各占一半
        return test_result_dict['00'] / (test_doc_count / 2), test_result_dict['11'] / (test_doc_count / 2)

 

测试代码也做了修改,更加简化了,先进行中文分词初始化,然后训练,然后测试,就可以了。

nb.init_cut_word()

nb.open_train_doc_ch('train_bayes/good.txt', 0)
nb.open_train_doc_ch('train_bayes/bad.txt', 1)

nb.train()
print(nb.p0_v, nb.p1_v, nb.p_ab)

print(nb.test_nb('train_bayes/test.txt'))

 

测试文本举例如下。

0|这手机真不错
0|大屏幕,我很喜欢
0|速度快,质量好
0|买了给妈妈的,快递很快,服务好
0|挺喜欢这个手机的
0|手机屏幕大,挺好的
0|手机挺好的
0|很喜欢这个手机
1|破手机
1|什么破机器,速度那么慢
1|手机很一般,速度慢
1|不太喜欢
1|不能开机,已经保修
1|屏幕上有划痕,不开心
1|不相信国产手机了,质量一般,做工粗糙
1|已经退货了

 

第一个数字是标注这一行内容是正面还是负面,然后程序通过比较运行分类器的结果和人工预先设定的这个结果,得到正确率。最重要的自然是应该是正面且判断为正面,应该是负面且判断为负面这两个比例。

{'01': 1, '10': 5, '00': 7, '11': 3}
(0.875, 0.375)

 

我用 dict 来记录应该是正面负面和判断为正面负面(分别用0和1)四个值
之后的比例,就是前面说的两个比例,从目前的情况来看,对于正面的判断比较准确,对于负面的判断还在50% 以下,之后需要继续提高,先从停用词开始。

使用 python 基于朴素贝叶斯进行文本分类学习笔记之一:开始
使用 python 基于朴素贝叶斯进行文本分类学习笔记之二:将原书程序修改并转换为类
使用 python 基于朴素贝叶斯进行文本分类学习笔记之三:中文内容的倾向性判断初步
使用 python 基于朴素贝叶斯进行文本分类学习笔记之四:增加测试文本和计算正确率
使用 python 基于朴素贝叶斯进行文本分类学习笔记之五:增加停用词

使用 python 基于朴素贝叶斯进行文本分类学习笔记之二:将原书程序修改并转换为类

朴素贝叶斯方法在文本分类中应用广泛,什么是朴素贝叶斯方法呢,wiki 上的定义如下:

在机器学习中,朴素贝叶斯分类器是一系列以假设特征之间强(朴素)独立下运用贝叶斯定理为基础的简单概率分类器。

所有朴素贝叶斯分类器都假定样本每个特征与其他特征都不相关,这是朴素(Naive)说法的由来,也是该算法的成立之本。

数学学得不太好,对于公式的理解有限,有些概念只能囫囵吞枣了,我更加关心的是应用场景和应用方法。

其实简单的想想也会知道,在文本分类中,我们假设词和词之间是不相关的,其实不太正确。

尽管是带着这些朴素思想和过于简单化的假设,但朴素贝叶斯分类器在很多复杂的现实情形中仍能够取得相当好的效果。

想看朴素贝叶斯整套公式推导过程的,可以移步这里,或者机器学习实战这本书上也有,此处就不再赘述了。

网上中文的介绍朴素贝叶斯用于文本分类的文章还是有一些,有兴趣的可以google 一下。

我们的目标是通过书中介绍的程序,来完成文本的倾向性分类,目前先按照两类进行分类,我简单的称之为正面和和负面的。

大致过程就是先进行正面和负面材料训练,计算得到 p0,p1,然后对材料进行测试,获得分类结果。

书中的源代码可以在这里下载,没有书也可以下载。代码属于第四章,不过书中举例主要还是在命令行环境下进行的,不是一个完整的可运行代码。

我做了如下修改:

  • 修改为 class 方式,方便程序调用
  • 修改为支持 python 3
  • 函数名称、变量名称和写法修改为支持 pep-8 标准

逐一解释一下代码:

下面是 class 类的一些变量,包括默认的训练文本和设定的倾向性。

# 训练 list, 默认内容, 原书中的内容
    train_doc_list = [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],
                      ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
                      ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'],
                      ['stop', 'posting', 'stupid', 'worthless', 'garbage'],
                      ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
                      ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
    # 倾向性向量, 0:正面 1:负面
    train_doc_sent_vec = [0, 1, 0, 1, 0, 1]

    # 单词列表集合
    word_list = []

    # 正面和负面概率, 先验概率
    p0_v = 0
    p1_v = 0
    p_ab = 0

 

下面是创建单词的集合,也就是将训练文本中所有的词合并到一起,不管出现几次都只保留一次。

    @staticmethod
    def create_word_list(data_list):
        # create empty set
        word_set = set([])
        for document in data_list:
            # union of the two sets
            word_set = word_set | set(document)
        return list(word_set)

 

下面这个函数是将输入的单词列表(需要训练或者测试的)根据上面的单词集合生成向量。

 @staticmethod
    def words_to_vec(word_list, new_word_list):
        vec = [0] * len(word_list)
        for word in new_word_list:
            if word in word_list:
                vec[word_list.index(word)] += 1
            else:
                pass
                # print("the word: %s is not in my Vocabulary!" % word)
        return vec

 

下面这个是朴素贝叶斯的算法,根据训练矩阵数据和预先设定的倾向性,来得到 p0,p1 概率。

@staticmethod
    def train_nb0(train_matrix, train_category):

        num_train_docs = len(train_matrix)
        num_words = len(train_matrix[0])
        p_ab = sum(train_category) / float(num_train_docs)

        # 创建给定长度的填满1的数组
        p0_num = ones(num_words)
        p1_num = ones(num_words)

        p0_d = 2.0
        p1_d = 2.0
        for i in range(num_train_docs):
            if train_category[i] == 1:
                p1_num += train_matrix[i]
                p1_d += sum(train_matrix[i])
            else:
                p0_num += train_matrix[i]
                p0_d += sum(train_matrix[i])

        p1_v = log(p1_num / p1_d)
        p0_v = log(p0_num / p0_d)
        return p0_v, p1_v, p_ab

 

然后是分类函数,根据上面计算得到的 p0,p1 概率,以及先验概率(如果正面和负面训练文本数量一样,就是 0.5),将输入的文本向量得到分类结果

    @staticmethod
    def classify_nb(vec, p0_vec, p1_vec, p_class1):
        # element-wise mult
        p0 = sum(vec * p0_vec) + log(1.0 - p_class1)
        p1 = sum(vec * p1_vec) + log(p_class1)
        print('p0:', p0, 'p1:', p1)
        if p1 > p0:
            return 1
        else:
            return 0

 

将上面的函数组合起来,得到下面这个完整的训练函数,上面大部分都是静态函数,外部不需要访问。

def train(self):
        # 生成单词列表集合
        self.word_list = self.create_word_list(self.train_doc_list)

        # 训练矩阵初始化
        train_matrix = []

        # 根据训练文档进行循环
        for post_in_doc in self.train_doc_list:
            # 构建训练矩阵, 将单词列表转化为向量
            train_matrix.append(self.words_to_vec(self.word_list, post_in_doc))

        # 根据训练矩阵和情感分析向量进行训练,得到
        self.p0_v, self.p1_v, self.p_ab = self.train_nb0(array(train_matrix), array(self.train_doc_sent_vec))

 

训练好了,就是测试函数,这是用来外部调用真正传入需要分类的文档或者校验正确率时候使用的。

 def testing_nb(self, test_word_list):

        # 对输入的内容转化为向量
        this_post_vec = array(self.words_to_vec(self.word_list, test_word_list))

        # 返回分类的值
        return self.classify_nb(this_post_vec, self.p0_v, self.p1_v, self.p_ab)

 

这个 navie bayes 代码会合并到我之前写的 fish_base 包中,代码也会放在 github 上,目前还在整理中。

刚才的 class 代码加上一个头,别忘记

from numpy import *


class ClassNaiveBayes:

 

其中的矩阵相关运算是通过 numpy 进行的,这个 python 下最好的数学计算库,性能不用怀疑。

调用上面 bayes 代码的例子代码,我将书中分散的测试代码合并了,并且通过类的方式调用:

import bayes

nb = bayes.ClassNaiveBayes()

nb.train()

test_list = ['love', 'my', 'dalmation']
print(test_list, 'classified as: ', nb.testing_nb(test_list))

test_list = ['stupid', 'garbage']
print(test_list, 'classified as: ', nb.testing_nb(test_list))

 

应该会得到书中一样的结果:

p0: -7.69484807238 p1: -9.82671449373
['love', 'my', 'dalmation'] classified as:  0
p0: -7.2093402566 p1: -4.70275051433
['stupid', 'garbage'] classified as:  1

 

接下来我尝试修改为针对中文内容进行分类,测试样本考虑用对于一款手机的评价,通过训练来区分是正面和还是负面的评论。

使用 python 基于朴素贝叶斯进行文本分类学习笔记之一:开始
使用 python 基于朴素贝叶斯进行文本分类学习笔记之二:将原书程序修改并转换为类
使用 python 基于朴素贝叶斯进行文本分类学习笔记之三:中文内容的倾向性判断初步
使用 python 基于朴素贝叶斯进行文本分类学习笔记之四:增加测试文本和计算正确率
使用 python 基于朴素贝叶斯进行文本分类学习笔记之五:增加停用词

使用 python 基于朴素贝叶斯进行文本分类学习笔记之一:开始

最近一些项目开始使用机器学习和神经网络,有一个项目是对从搜索引擎抓回来的文字判断倾向性,看文章是正面的还是负面的(抱怨、怀疑、责备),没办法,我们所服务的互联网金融最近就是一个被高度关注的领域。

之前开发小组使用 R 语言基于朴素贝叶斯方法做了一些训练,并得到了一些结果,不过在正式环境运行的程序只是使用了结果,没有进行持续的训练和测试使用。

于是,我们开始研究怎么用 python 来基于贝叶斯方法进行训练和测试,python 世界里,基于 bayes 算法的资料多如牛毛,看的也有点晕。这次我们没有直接用现成的库,而是基于下面这本书:

s26696371

“机器学习实战”,这本书中的内容都是用 python 写的各类机器学习的算法,虽然豆瓣评价一般,给我们入门的确不错。

如豆瓣所说,这本书的代码写得的确比较乱,并且关键是基于 python2,所以我们按照书上的指引,修改了原来的代码,符合 python3语法,并且严格的符合 pep-8 python 命名规范等,并且修改为一个标准的类,便于使用。

同时,书中原来的例子是基于英文的,特别是一些关于网站倾向性和垃圾邮件的例子,不太适合中国国情,反而将程序弄得比较复杂,一并优化了。

大致分以下步骤:

  1. 基于书上的代码,修改 bayes 代码,减少不必要的函数,执行原书中的英文例句分类。
  2. 从京东网站上挑选一个手机的评论,从好评和差评中获得训练文本,引入中文分词,得到评价倾向性的结果。(分类在这里就是得到一个倾向性的判断,0或者1,好或者坏,是某种倾向或者没有没有倾向)
  3. 优化中文处理,引入停用词功能,增加分类判断的准确性。

使用 python 基于朴素贝叶斯进行文本分类学习笔记之一:开始
使用 python 基于朴素贝叶斯进行文本分类学习笔记之二:将原书程序修改并转换为类
使用 python 基于朴素贝叶斯进行文本分类学习笔记之三:中文内容的倾向性判断初步
使用 python 基于朴素贝叶斯进行文本分类学习笔记之四:增加测试文本和计算正确率
使用 python 基于朴素贝叶斯进行文本分类学习笔记之五:增加停用词

Python Land 有趣的梦想

业余时间做一点孩子们的 python 教育,看到他们,想起自己当年在少年宫、少科站的日子。

为了把课上好,我也是的确是动了很多脑筋。包括这次为了让现在已经沉溺于游戏的孩子们索性更加有兴趣一些,终于给购买的 rpgmaker mv 找到一个好的用途,目标是制作一款学习 python 的 rpg 游戏。现在为了给孩子们测验,完成了很简单的第一关,三道题目的测验。

屏幕快照 2016-04-16 上午10.00.21

屏幕快照 2016-04-16 上午10.00.38

屏幕快照 2016-04-16 上午10.02.04

屏幕快照 2016-04-16 上午10.01.49

屏幕快照 2016-04-16 上午10.03.14

屏幕快照 2016-04-16 上午10.03.37

一开始的学习曲线总是比较长的,这星期所耗费的时间更多的还是在 rpgmaker 本身的学习,只有掌握了这个工具的使用才可以谈应用和创意。rpgmaker mv 这个版本也开始使用 javascript 作为扩充的语言,紧跟潮流,也带起了非常热闹的应用。看来,rpg 并不因为现在显卡的升级、3D 的广泛使用二落伍啊,游戏性本身还是最重要的。记得去年那个越南人写的什么小鸟,画面像素风格,却一度是 ios 平台上最吸金的游戏。

之前看到过一个学习 javascript 的 rpg 在线游戏,将游戏和学习巧妙的融合在一起,印象深刻。希望我的 Python Land 也能有趣好玩。(现在略有点无聊)

为了年少时候的承诺

以前用了很多盗版软件,最大的原因就是太贵,买不起,而不得不承认,正因为其中的一些软件,才让我有了今天的些许成绩。虽然不是自己的个人问题,曾几何时,这是一个普遍的社会现象。如同现在我们到国外,发现东西不贵啊,而且是人家几十年一直这个价格。

不是很懂宏观经济,反正现在可以支配的货币多了,很多软件都买得起了。office 和很多常用的共享软件已经用了很多年正版了,之前一直想入手 adobe lightroom,但是几千的价格还是有点下不了决心,最近发现,原来 adobe 已经学习 microsoft 了,软件可以用和会员结合的年服务费模式,并且有专门只使用 lightroom 和 photoshop 的摄影会员可供选择。

那就不要犹豫了,这个世界是公平的,每个人的贡献,汇聚在一起,力量会很大。如果只是吃吃喝喝混日子,有什么意义呢。

谢谢 lightroom,曾经处理了成千上万张照片,虽然佳作寥寥,但也带来了很多欢乐。

lightroom

2005年那时候,做过很多免费虚拟主机的计划,记得当时的网站叫做理想空间,现在我写一点很简单的开源软件,教教小孩子 python,好像这样更加有趣和有意义。自己年少时候的承诺总是要尽量去履行的。

python 创建模块时候的几个小坑

为了方便和同事们的协同开发,将自己写的有点代码都修改为模块,这几天在更新和测试中还是碰到很多问题。国内 python 开发虽然如火如荼,但是开发模块的人还是非常少,加上国人一般都是不太愿意分享的,只好慢慢看英文资料和测试了。

install_requires 的问题。

在 setup.py 中设置所有模块需要的参数等,其中 install_requires 是用来设置这个模块有什么依赖模块和版本的,但是如果你在 sdist 过程中针对这个 install_requires 报错了,那么最简单的方法是将

from distutils.core import setup

替换为

from setuptools import setup

对于 Pycharm 默认生成的 setup.py,的确生成的是前者,我也不清楚这是不是 pycharm 的 bug。

可以参考这个回答

You are not allowed to edit ‘…’ package information 问题。

在第一次上传 pypi 的时候,或许你会得到这样的错误信息,那么必须先执行:

python setup.py register

然后再执行

python setup.py sdist upload

这样就可以了。可以参考这个回答

setup.py 文件包括其他文件

即便在 MANIFEST.in 文件中包括了想要的测试或者数据文件,我发现还是没有在安装包中有相关的文件,一查资料,原来是要在 setup.py 中设置:

include_package_data=True

这样就可以了。