自然语言处理：用paddle对人民日报语料进行分词，停用词，数据清洗和熵计算

数据集提取：
公众号：YOLO的学习进阶日常然后回复：nlp1

安装本地飞桨

本人 win10 python3.7 用的CPU

安装方式：
1. pip install paddlepaddle -i https://pypi.tuna.tsinghua.edu.cn/simple
2. pip install --upgrade paddlepaddle -i https://pypi.tuna.tsinghua.edu.cn/simple
安装成功如下：

import paddle.fluid
paddle.fluid.install_check.run_check()

Running Verify Fluid Program ...
Your Paddle Fluid works well on SINGLE GPU or CPU.
Your Paddle Fluid works well on MUTIPLE GPU or CPU.
Your Paddle Fluid is installed successfully! Let's start deep Learning with Paddle Fluid now

使用jieba分词

“结巴”中文分词：做最好的 Python 中文分词组件
参考网站：https://github.com/fxsjy/jieba

支持四种分词模式：
1. 精确模式，试图将句子最精确地切开，适合文本分析；
2. 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
3. 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。
4. paddle模式，利用PaddlePaddle深度学习框架，训练序列标注（双向GRU）网络模型实现分词
支持繁体分词
支持自定义词典
MIT 授权协议
安装方式：pip3 install jieba
算法
1. 基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)
2. 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
3. 对于未登录词，采用了基于汉字成词能力的 HMM 模型，使用了 Viterbi 算法
参数
1. jieba.cut 方法接受四个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 HMM 模型；
2. jieba.cut_for_search 方法接受两个参数：需要分词的字符串；是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词
3. jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语(unicode)，或者用jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
4. jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器，可用于同时使用不同词典。jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。

import jieba
jieba.enable_paddle()
strs=["我来到北京清华大学","乒乓球拍卖完了","中国科学技术大学"]
for str in strs:seg_list = jieba.cut(str,use_paddle=True) # 使用paddle模式print("Paddle Mode: " + '/'.join(list(seg_list)))
seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list))  # 全模式
seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))  # 精确模式
seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式
print(", ".join(seg_list))
seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造")  # 搜索引擎模式
print(", ".join(seg_list))

Paddle enabled successfully......
2020-02-26 10:46:23,867-DEBUG: Paddle enabled successfully......
Building prefix dict from the default dictionary ...
2020-02-26 10:46:23,925-DEBUG: Building prefix dict from the default dictionary ...
Loading model from cache C:\Users\ASUS\AppData\Local\Temp\jieba.cache
2020-02-26 10:46:23,927-DEBUG: Loading model from cache C:\Users\ASUS\AppData\Local\Temp\jieba.cachePaddle Mode: 我/来到/北京清华大学
Paddle Mode: 乒乓球/拍卖/完/了
Paddle Mode: 中国科学技术大学Loading model cost 0.876 seconds.
2020-02-26 10:46:24,802-DEBUG: Loading model cost 0.876 seconds.
Prefix dict has been built successfully.
2020-02-26 10:46:24,803-DEBUG: Prefix dict has been built successfully.Full Mode: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
Default Mode: 我/ 来到/ 北京/ 清华大学
他, 来到, 了, 网易, 杭研, 大厦
小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, ，, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造

基于 TF-IDF 算法的关键词抽取

import jieba.analyse

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
1. sentence 为待提取的文本
2. topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20
3. withWeight 为是否一并返回关键词权重值，默认值为 False
4. allowPOS 仅包括指定词性的词，默认值为空，即不筛选

基于 TextRank 算法的关键词抽取

jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=(‘ns’, ‘n’, ‘vn’, ‘v’)) 直接使用，接口相同，注意默认过滤词性。
2. jieba.analyse.TextRank() 新建自定义 TextRank 实例
3. 基本思想
1. 将待抽取关键词的文本进行分词
2. 以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图
3. 计算图中节点的PageRank，注意是无向带权图

Tokenize：返回词语在原文的起止位置

注意，输入参数只接受 unicode
默认模式

result = jieba.tokenize(u'永和服装饰品有限公司')
for tk in result:print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))

word 永和       start: 0        end:2
word 服装      start: 2        end:4
word 饰品      start: 4        end:6
word 有限公司        start: 6        end:10

词性标注

jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，tokenizer 参数可指定内部使用的 jieba.Tokenizer 分词器。jieba.posseg.dt 为默认词性标注分词器。
标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法。
除了jieba默认分词模式，提供paddle模式下的词性标注功能。paddle模式采用延迟加载方式，通过enable_paddle()安装paddlepaddle-tiny，并且import相关代码；

import jieba
import jieba.posseg as pseg
words = pseg.cut("我爱北京天安门") #jieba默认模式
jieba.enable_paddle()
words = pseg.cut("我爱北京天安门",use_paddle=True) #paddle模式
for word, flag in words:print('%s %s' % (word, flag))

Paddle enabled successfully......
2020-02-26 10:48:16,044-DEBUG: Paddle enabled successfully......我 r
爱 v
北京 LOC
天安门 LOC

延迟加载

jieba 采用延迟加载，import jieba 和 jieba.Tokenizer() 不会立即触发词典的加载，一旦有必要才开始加载词典构建前缀字典。如果你想手工初始 jieba，也可以手动初始化。

import jieba
jieba.initialize()  # 手动初始化（可选）
jieba.set_dictionary() #你可以改变主词典的路径:

实战：对人民日报语料完成切词，并通过统计每个词出现的概率，计算信息熵

语料地址：https://github.com/fangj/rmrb/tree/master/example/1946%E5%B9%B405%E6%9C%88

读取文件

import os
import jieba
from collections import Counter
import math
filepath='D:\\AA\\C\\deepmind\\AI'
files=os.listdir(filepath)
s=''
for i in files:file="D:\\AA\\C\\deepmind\\AI\\{}".format(i)try:with open(file,encoding='utf-8') as f:iter_f = iter(f)str = ""for line in iter_f:str = str + lineexcept:with open(file,encoding='gbk') as f:iter_f = iter(f)str = ""for line in iter_f:str = str + lines=s+str

正则表达式清洗，停用词处理，分词处理

因为这个数据有很多符号，所以这里先进行清理
然后进行停用词处理最后再分词

def remove_punctuation(line): if line.strip()=='':return ''rule = re.compile(u"[^a-zA-Z0-9\u4E00-\u9FA5]")line = rule.sub('',line)return line
re_file=remove_punctuation(s)
def stopwordslist(filepath):  stopwords = [line.strip() for line in open(filepath, 'r', encoding='gbk').readlines()] return stopwords
stopwords = stopwordslist("D:\\AA\\C\\deepmind\\Data game\\nlp\\1 O2O food\\stopwords.txt")
re_file= " ".join([w for w in list(jb.cut(re_file)) if w not in stopwords])
new_list = re_file.split(" ")from os import path
from wordcloud import WordCloud
import matplotlib.pyplot as pltbackgroud_Image = plt.imread('D:\\AA\\20180905112216706.png')
wc= WordCloud(background_color="white",mask=backgroud_Image,stopwords=stopwords,font_path='C:\Windows\Fonts\STZHONGS.TTF')
wc.generate(re_file)
plt.figure(figsize=(6,6))
plt.imshow(wc,interpolation="bilinear")
plt.axis("off")
plt.show()

信息熵计算

信息熵个人理解就是，信息的混乱程度。信息是系统有序程度的一个度量，熵是系统无序程度的一个度量，从信息传播的角度来看，信息熵可以表示信息的价值；

如果指标的信息熵越大，该指标提供的信息量越大，在综合评价中所起作用理当越大，权重就应该越高。
举个例子：小朋友刚开始出生的时候只能说几句话，传播的信息量就很少，所以信息熵就很少；而成人之后，有的时候一句话都可以让你觉得接受了很多信息，因此信息量大，从而信息熵大。
信息熵最重要的就是理解概率分布的问题。
因此，可利用信息熵这个工具，计算出各个指标的权重，为多指标综合评价提供依据。
信息熵的公式如下：
H(x) = E[I(xi)] = E[ log(2,1/P(xi)) ] = -∑P(xi)log(2,P(xi)) (i=1,2,…n)

其中，x表示随机变量，与之相对应的是所有可能输出的集合，定义为符号集,随机变量的输出用x表示。P(x)表示输出概率函数。

word_fre= Counter(new_list)
count= 0
for i in word_fre:word_fre[i] /= len(new_list)x= word_fre[i]count+= x * math.log(x, 2)
count= -count
print("信息熵：", count)

信息熵： 12.619504395855172

思考一下:

假设输入一个词表里面含有N个词，输入一个长度为M的句子，那么最大前向匹配的计算复杂度是多少？
1. 回答：
  最大向前匹配方法，将输入句子作为待匹配字段，以字典中最大词长度为初始窗口大小开始匹配，以窗口形式进行匹配，匹配到了字典中的词就向前(从左到右)滑动窗口大小，未匹配的话就减小窗口直到减少为1，因此最大的前向匹配的计算复杂度是0(NM^2)
给定一个句子，如何计算里面有多少种分词候选，你能给出代码实现吗？
除了最大前向匹配和N-gram算法，你还知道其他分词算法吗，请给出一段小描述。
1. 最短路径分词：最短路径分词算法首先讲一句话中的所有词匹配出来，构成词图，之后寻找从起始点到终点的最短路径最为最佳的组合方式。
2. 基于字的分词：主要使用在英文analyzer上
3. 基于模型的分词：HMM，朴素贝叶斯
4. 基于判别式模型分词算法：判别式模型主要有感知机、SVM支持向量机、CRF条件随机场、最大熵模型等。
5. 神经网络分词：LSTM,BERT,ALVERT…

我们团队旨在建设并发布高质量的技术文章和技术社区去储备人才，输送人才，有对大数据人工智能感兴趣的朋友可以加我们的QQ群呀～（我们平时会推送一些免费的课程，每周都有技术分享会欢迎大家参与）

我们的技术社区的网址：https://discourse.qingxzd.com/