数据挖掘：手把手教你文本挖掘

4月20日（今晚）Sim老师在Hellobi Live直播授课《手把手教你做文本挖掘》，阅读全文课报名。老司机带你快速上手文本挖掘！

一、文本挖掘定义

文本挖掘指的是从文本数据中获取有价值的信息和知识，它是数据挖掘中的一种方法。文本挖掘中最重要最基本的应用是实现文本的分类和聚类，前者是有监督的挖掘算法，后者是无监督的挖掘算法。

二、文本挖掘步骤

1）读取数据库或本地外部文本文件

2）文本分词

2.1）自定义字典

2.2）自定义停止词

2.3）分词

2.4）文字云检索哪些词切的不准确、哪些词没有意义，需要循环2.1、2.2和              2.3步骤

3）构建文档-词条矩阵并转换为数据框

4）对数据框建立统计、挖掘模型

5）结果反馈

三、文本挖掘所需工具

本次文本挖掘将使用R语言实现，除此还需加载几个R包，它们是tm包、tmcn包、Rwordseg包和wordcloud包。其中tmcn包和Rwordseg包无法在CRAN镜像中下载到，有关这两个包的下载方法可参见下文：

R语言之文本挖掘--分词

四、实战

本文所用数据集来自于sougou实验室数据，具体可至如下链接下载：

http://download.labs.sogou.com/dl/sogoulabdown/SogouC.mini.20061102.tar.gz

本文对该数据集做了整合，将各个主题下的新闻汇总到一张csv表格中，数据格式如下图所示：

具体数据可至文章后面的链接。

#加载所需R包

library(tm)

library(Rwordseg)

library(wordcloud)

library(tmcn)

#读取数据

mydata <- read.table(file = file.choose(),header = TRUE,sep = ',', stringsAsFactors = FALSE)

str(mydata)

接下来需要对新闻内容进行分词，在分词之前需要导入一些自定义字典，目的是提高切词的准确性。由于文本中涉及到军事、医疗、财经、体育等方面的内容，故需要将搜狗字典插入到本次分析的字典集中。

#添加自定义字典

installDict(dictpath = 'G:\\dict\\财经金融词汇大全【官方推荐】.scel',

           dictname = 'Caijing',dicttype = 'scel')

installDict(dictpath = 'G:\\dict\\军事词汇大全【官方推荐】.scel',65); Box-sizing: border-Box !important; word-wrap: break-word !important;">           dictname = 'Junshi',65); Box-sizing: border-Box !important; word-wrap: break-word !important;">installDict(dictpath = 'G:\\dict\\篮球【官方推荐】.scel',65); Box-sizing: border-Box !important; word-wrap: break-word !important;">           dictname = 'Lanqiu',65); Box-sizing: border-Box !important; word-wrap: break-word !important;">installDict(dictpath = 'G:\\dict\\旅游词汇大全【官方推荐】.scel',65); Box-sizing: border-Box !important; word-wrap: break-word !important;">           dictname = 'Lvyou',65); Box-sizing: border-Box !important; word-wrap: break-word !important;">installDict(dictpath = 'G:\\dict\\汽车词汇大全【官方推荐】.scel',65); Box-sizing: border-Box !important; word-wrap: break-word !important;">           dictname = 'Qiche1',65); Box-sizing: border-Box !important; word-wrap: break-word !important;">installDict(dictpath = 'G:\\dict\\汽车频道专用词库.scel',65); Box-sizing: border-Box !important; word-wrap: break-word !important;">           dictname = 'Qiche2',65); Box-sizing: border-Box !important; word-wrap: break-word !important;">installDict(dictpath = 'G:\\dict\\医学词汇大全【官方推荐】.scel',65); Box-sizing: border-Box !important; word-wrap: break-word !important;">           dictname = 'Yixue',65); Box-sizing: border-Box !important; word-wrap: break-word !important;">installDict(dictpath = 'G:\\dict\\足球【官方推荐】.scel',65); Box-sizing: border-Box !important; word-wrap: break-word !important;">           dictname = 'Zuqiu',dicttype = 'scel')

#查看已安装的词典

listDict()

如果需要卸载某些已导入字典的话，可以使用uninstallDict()函数。

分词前将中文中的英文字母统统去掉。

#剔除文本中含有的英文字母

mydata$Text <- gsub('[a-zA-Z]','',mydata$Text)

#分词

segword <- segmentCN(strwords = mydata$Text)

#查看第一条新闻分词结果

segword[[1]]

图中圈出来的词对后续的分析并没有什么实际意义，故需要将其剔除，即删除停止词。

#创建停止词

mystopwords <- read.table(file = file.choose(),stringsAsFactors = FALSE)

head(mystopwords)

class(mystopwords)

#需要将数据框格式的数据转化为向量格式

mystopwords <- as.vector(mystopwords[,1])

head(mystopwords)

停止词创建好后，该如何删除76条新闻中实际意义的词呢？下面通过自定义删除停止词的函数加以实现。

#自定义删除停止词的函数

removewords <- function(target_words,stop_words){

 target_words = target_words[target_words%in%stop_words==FALSE]

 return(target_words)

}

segword2 <- sapply(X = segword,FUN = removewords,mystopwords)

#查看已删除后的分词结果

segword2[[1]]

相比与之前的分词结果，这里瘦身了很多，剔除了诸如“是”、“的”、“到”、“这”等无意义的次。

判别分词结果的好坏，最快捷的方法是绘制文字云，可以清晰的查看哪些词不该出现或哪些词分割的不准确。

#绘制文字图

word_freq <- getWordFreq(string = unlist(segword2))

opar <- par(no.readonly = TRUE)

par(bg = 'black')

#绘制出现频率最高的前50个词

wordcloud(words = word_freq$Word,freq = word_freq$Freq,max.words = 50,random.color = TRUE,colors = rainbow(n = 7))

par(opar)

很明显这里仍然存在一些无意义的词（如说、日、个、去等）和分割不准确的词语（如黄金周切割为黄金，医药切割为药等），这里限于篇幅的原因，就不进行再次添加自定义词汇和停止词。

#将已分完词的列表导入为语料库,并进一步加工处理语料库

text_corpus <- Corpus(x = VectorSource(segword2))

text_corpus

此时语料库中存放了76条新闻的分词结果。

#去除语料库中的数字

text_corpus <- tm_map(text_corpus,removeNumbers)

#去除语料库中的多余空格

ipwhitespace)

#创建文档-词条矩阵

dtm <- DocumentTermMatrix(x = text_corpus,control = list(wordLengths = c(2,Inf)))

dtm

从图中可知，文档-词条矩阵包含了76行和7939列，行代表76条新闻，列代表7939个词；该矩阵实际上为稀疏矩阵，其中矩阵中非0元素有11655个，而0元素有591709，稀疏率达到98%；最后，这7939个词中，最频繁的一个词出现在了49条新闻中。

由于稀疏矩阵的稀疏率过高，这里将剔除一些出现频次极地的词语。

#去除稀疏矩阵中的词条

dtm <- removeSparseTerms(x = dtm,sparse = 0.9)

dtm

这样一来，矩阵中列大幅减少，当前矩阵只包含了116列，即116个词语。

为了便于进一步的统计建模，需要将矩阵转换为数据框格式。

#将矩阵转换为数据框格式

df <- as.data.frame(inspect(dtm))

#查看数据框的前6行(部分)

head(df)

统计建模：聚类分析

聚类分析是文本挖掘的基本应用，常用的聚类算法包括层次聚类法、划分聚类法、EM聚类法和密度聚类法。相关算法的应用可参考如下几篇文章：

基于R语言的数据挖掘之聚类算法--划分方法

基于R语言的数据挖掘之聚类算法--层次方法

基于R语言的数据挖掘之聚类算法--基于密度方法

聚类之EM算法

这里使用层次聚类中的McQuitty相似分析法实现新闻的聚类。

#计算距离

d <- dist(df)

#层次聚类法之McQuitty相似分析法

fit1 <- hclust(d = d,method = 'mcquitty')

plot(fit1)

rect.hclust(tree = fit1,k = 7,border = 'red')

这里的McQuitty层次聚类法效果不理想，类与类之间分布相当不平衡,我想可能存在三种原因：

1）文章的主干关键词出现频次不够，使得文章没能反映某种主题；

2）分词过程中没有剔除对建模不利的干扰词，如中国、美国、公司、市场、记者等词语；

3）没能够准确分割某些常用词，如黄金周。

总结

所以在实际的文本挖掘过程中，最为困难和耗费时间的就是分词部分，既要准确分词，又要剔除无意义的词语，这对文本挖掘者是一种挑战。

本文作者：刘顺祥，浙江工商大学统计学硕士，3年的数据分析经验

微信公众号：每天进步一点点2015