机器学习python第三方模块lda包调用代码
Posted wy_0928
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习python第三方模块lda包调用代码相关的知识,希望对你有一定的参考价值。
# coding=utf-8
# !/usr/bin/env python
'''
【数据源样例】
词语1 词语2 词语3 词语4 词语5 词语6 词语7 词语8 词语9
词语1 词语2 词语3 词语4 词语5
词语1 词语2 词语3 词语4 词语5 词语6 词语7
……
一行是一篇已切好词的文本,词语之间用空格分隔
【主要参数说明】
1.n_topics:主题个数,即需要将这些文本聚成几类
2.n_iter:迭代次数
【程序输出说明】
1.doc-topic分布:即每篇文本属于每个topic的概率,比如20个topic,那么第一篇文本的doc-topic的分布就是该文本属于这20个
topic的概率(一共20个概率数字)
2.topic-word分布:即每个topic内词的分布,包含这个词的概率/权重
3.每个topic内权重最高的5个词语
4.每篇文本最可能的topic
'''
import codecs
import collections
import numpy as np
import lda
#读取已切好词的语料库所有词语,去重
filePath = 'F:/getKeyWords/'
cutWordsFile = 'cutWordsFile.txt' #语料库文件,其内一行是一个已切好词的文本
wordSet = set()
for eachLine1 in codecs.open(filePath + cutWordsFile, 'r', 'utf-8'):
lineList1 = eachLine1.split(' ')
for i in range(len(lineList1)):
wordSet.add(lineList1[i].strip())
wordList = list(wordSet)
#生成词频矩阵,一行一个文本,一列一个词语,数值等于该词语在当前文本中出现的频次
# 矩阵行数=文本总数,矩阵列数=语料库去重后词语总数
#该矩阵是一个大的稀疏矩阵
wordMatrix = []
for eachLine2 in codecs.open(filePath + cutWordsFile, 'r', 'utf-8'):
docWords = eachLine2.strip().split(' ')
dict1 = collections.Counter(docWords)
key1 = list(dict1.keys())
r1 = []
for i in range(len(wordList)):
if wordList[i] in key1:
r1.append(dict1[wordList[i]])
else:
r1.append(0)
wordMatrix.append(r1)
X = np.array(wordMatrix) #词频矩阵
#模型训练
model = lda.LDA(n_topics = 10, n_iter = 50, random_state = 1)
model.fit(X)
#doc-topic分布
print('==================doc:topic==================')
doc_topic = model.doc_topic_
print(type(doc_topic))
print(doc_topic.shape)
print(doc_topic) #一行为一个doc属于每个topic的概率,每行之和为1
#topic-word分布
print('==================topic:word==================')
topic_word = model.topic_word_
print(type(topic_word))
print(topic_word.shape)
print(topic_word[:, :3]) #一行对应一个topic,即每行是一个topic及该topic下词的概率分布,每行之和为1
#每个topic内权重最高的5个词语
n = 5
print('==================topic top' + str(n) + ' word==================')
for i, topic_dist in enumerate(topic_word):
topic_words = np.array(wordList)[np.argsort(topic_dist)][:-(n+1):-1]
print('*Topic \\n-'.format(i, ' '.join(topic_words)))
#每篇文本最可能的topic
print('==================doc best topic==================')
txtNums = len(codecs.open(filePath + cutWordsFile, 'r', 'utf-8').readlines()) #文本总数
for i in range(10):
topic_most_pr = doc_topic[i].argmax()
print('doc: ,best topic: '.format(i, topic_most_pr))
'''
【程序运行结果如下】
==================doc:topic==================
<class 'numpy.ndarray'>
(6543, 10)
[[ 0.3137931 0.00344828 0.21034483 ..., 0.21034483 0.00344828
0.00344828]
[ 0.002 0.102 0.002 ..., 0.002 0.302 0.122 ]
[ 0.58076923 0.00384615 0.00384615 ..., 0.35 0.00384615
0.00384615]
...,
[ 0.06 0.00285714 0.00285714 ..., 0.00285714 0.26 0.17428571]
[ 0.05121951 0.00243902 0.19756098 ..., 0.73414634 0.00243902
0.00243902]
[ 0.003125 0.003125 0.003125 ..., 0.003125 0.003125 0.503125 ]]
==================topic:word==================
<class 'numpy.ndarray'>
(10, 14849)
[[ 5.16569216e-07 5.16569216e-07 5.16569216e-07]
[ 4.88126565e-07 4.88126565e-07 4.88126565e-07]
[ 4.05227598e-07 4.05227598e-07 4.05227598e-07]
[ 4.64630254e-07 4.64630254e-07 4.64630254e-07]
[ 4.59569595e-07 4.59569595e-07 1.38330448e-04]
[ 5.04172278e-07 5.04172278e-07 5.04172278e-07]
[ 4.50724743e-07 4.50724743e-07 4.50724743e-07]
[ 5.32552540e-07 5.37878066e-05 5.32552540e-07]
[ 4.28183189e-07 4.28183189e-07 4.28183189e-07]
[ 4.11413842e-05 4.07340438e-07 4.07340438e-07]]
==================topic top5 word==================
*Topic 0
-5个词(涉及具体业务,具体词语已屏蔽,下同)
*Topic 1
-5个词
*Topic 2
-5个词
*Topic 3
-5个词
*Topic 4
-5个词
*Topic 5
-5个词
*Topic 6
-5个词
*Topic 7
-5个词
*Topic 8
-5个词
*Topic 9
-5个词
==================doc best topic==================
doc: 0 ,best topic: 0
doc: 1 ,best topic: 3
doc: 2 ,best topic: 0
doc: 3 ,best topic: 9
doc: 4 ,best topic: 8
doc: 5 ,best topic: 1
doc: 6 ,best topic: 9
doc: 7 ,best topic: 5
doc: 8 ,best topic: 2
doc: 9 ,best topic: 3
'''
以上是关于机器学习python第三方模块lda包调用代码的主要内容,如果未能解决你的问题,请参考以下文章