（已修改）机器学习之文本分类（附带训练集+数据集+所有代码）
本博客是我对之前博客进行的一些优化，对文件的处理，以及添加更多的注释让大家在NLP，文本分类等领域能够更快的让代码跑起来。
原文链接：https://blog.****.net/qq_28626909/article/details/80382029
关于TF-IDF，朴素贝叶斯，分词，停用词等前面的博客（原文链接开头以贴出）已经讲得非常详细了，这里就不啰嗦了，本博客是讲如何将代码跑起来，因为之前的代码是我还是个菜鸟时候写的，所以很多东西大家看不清楚，这里我贴上当时大家问的主要问题以及在本博客中提出的解决方案
1.dat文件不能查看 解决方案：生成详细的txt文件，大家可以直接查看
2.不清楚生成的文件内容 解决方案：生成详细的txt文件，大家可以直接查看
3.文件路径的修改（我之前没有注释） 解决方案：全部替换绝对路径为相对路径，并且添加注释，让大家下载下来之后可以直接跑
4.有的同学有环境问题 解决方案：博客最后会放出大多数同学出现的问题以及解决方案
文件（文件夹名称为****，进入之后的截图如下）：
大多数同学用的编译器是pycharm，所以这里我将演示pycharm的运行代码
请大家将文件夹移动至pycharm中，
这一个python文件我写的都是相对路径，所以大家应该不用改任何路径即可运行（只要放在一起就行）
datapath = "./data/" #原始数据路径
stopWord_path = "./stop/stopword.txt"#停用词路径
test_path = "./test/" #测试集路径
'''
以上三个文件路径是已存在的文件路径，下面的文件是运行代码之后生成的文件路径
dat文件是为了读取方便做的，txt文件是为了给大家展示做的，所以想查看分词，词频矩阵
词向量的详细信息请查看txt文件，dat文件是通过正常方式打不开的
'''
test_split_dat_path = "./test_set.dat" #测试集分词bat文件路径
testspace_dat_path ="./testspace.dat" #测试集输出空间矩阵dat文件
train_dat_path = "./train_set.dat" # 读取分词数据之后的词向量并保存为二进制文件
tfidfspace_dat_path = "./tfidfspace.dat" #tf-idf词频空间向量的dat文件
'''
以上四个为dat文件路径，是为了存储信息做的，不要打开
'''
test_split_path = './split/test_split/' #测试集分词路径
split_datapath = "./split/split_data/" # 对原始数据分词之后的数据路径
'''
以上两个路径是分词之后的文件路径，大家可以生成之后自行打开查阅学习
'''
tfidfspace_path = "./tfidfspace.txt" # 将TF-IDF词向量保存为txt，方便查看
tfidfspace_arr_path = "./tfidfspace_arr.txt" # 将TF-IDF词频矩阵保存为txt，方便查看
tfidfspace_vocabulary_path = "./tfidfspace_vocabulary.txt" # 将分词的词汇统计信息保存为txt，方便查看
testSpace_path = "./testSpace.txt" #测试集分词信息
testSpace_arr_path = "./testSpace_arr.txt" #测试集词频矩阵信息
trainbunch_vocabulary_path = "./trainbunch_vocabulary.txt" #所有分词词频信息
tfidfspace_out_arr_path = "./tfidfspace_out_arr.txt" #tfidf输出矩阵信息
tfidfspace_out_word_path = "./tfidfspace_out_word.txt" #单词形式的txt
testspace_out_arr_path = "./testspace_out_arr.txt" #测试集输出矩阵信息
testspace_out_word_apth ="./testspace_out_word.txt" #测试界单词信息
'''
以上10个文件是dat文件转化为txt文件，大家可以查询信息，这是NLP（自然语言处理）非常珍贵的资源
'''这段代码是对各个文件的注释，里面的内容应该算是比较详细了。下面贴出完整代码:
#!D:/workplace/python
# -*- coding: utf-8 -*-
# @File : TFIDF_naive_bayes_wy.py
# @Author: WangYe
# @Date : 2019/5/29
# @Software: PyCharm
# 机器学习之文本分类（附带训练集+数据集+所有代码）
# 博客链接：https://blog.****.net/qq_28626909/article/details/80382029
import jieba
from numpy import *
import pickle # 持久化
import os
from sklearn.feature_extraction.text import TfidfTransformer # TF-IDF向量转换类
from sklearn.feature_extraction.text import TfidfVectorizer # TF_IDF向量生成类
from sklearn.datasets.base import Bunch
from sklearn.naive_bayes import MultinomialNB # 多项式贝叶斯算法
def readFile(path):
with open(path, 'r', errors='ignore') as file: # 文档中编码有些问题，所有用errors过滤错误
content = file.read()
file.close()
return content
def saveFile(path, result):
with open(path, 'w', errors='ignore') as file:
file.write(result)
file.close()
def segText(inputPath, resultPath):
fatherLists = os.listdir(inputPath) # 主目录
for eachDir in fatherLists: # 遍历主目录中各个文件夹
eachPath = inputPath + eachDir + "/" # 保存主目录中每个文件夹目录，便于遍历二级文件
each_resultPath = resultPath + eachDir + "/" # 分词结果文件存入的目录
if not os.path.exists(each_resultPath):
os.makedirs(each_resultPath)
childLists = os.listdir(eachPath) # 获取每个文件夹中的各个文件
for eachFile in childLists: # 遍历每个文件夹中的子文件
eachPathFile = eachPath + eachFile # 获得每个文件路径
# print(eachFile)
content = readFile(eachPathFile) # 调用上面函数读取内容
# content = str(content)
result = (str(content)).replace("\r\n", "").strip() # 删除多余空行与空格
# result = content.replace("\r\n","").strip()
cutResult = jieba.cut(result) # 默认方式分词，分词结果用空格隔开
saveFile(each_resultPath + eachFile, " ".join(cutResult)) # 调用上面函数保存文件
def bunchSave(inputFile, outputFile):
catelist = os.listdir(inputFile)
bunch = Bunch(target_name=[], label=[], filenames=[], contents=[])
bunch.target_name.extend(catelist) # 将类别保存到Bunch对象中
for eachDir in catelist:
eachPath = inputFile + eachDir + "/"
fileList = os.listdir(eachPath)
for eachFile in fileList: # 二级目录中的每个子文件
fullName = eachPath + eachFile # 二级目录子文件全路径
bunch.label.append(eachDir) # 当前分类标签
bunch.filenames.append(fullName) # 保存当前文件的路径
bunch.contents.append(readFile(fullName).strip()) # 保存文件词向量
with open(outputFile, 'wb') as file_obj: # 持久化必须用二进制访问模式打开
pickle.dump(bunch, file_obj)
# pickle.dump(obj, file, [,protocol])函数的功能：将obj对象序列化存入已经打开的file中。
# obj：想要序列化的obj对象。
# file:文件名称。
# protocol：序列化使用的协议。如果该项省略，则默认为0。如果为负值或HIGHEST_PROTOCOL，则使用最高的协议版本
def readBunch(path):
with open(path, 'rb') as file:
bunch = pickle.load(file)
# pickle.load(file)
# 函数的功能：将file中的对象序列化读出。
return bunch
def writeBunch(path, bunchFile):
with open(path, 'wb') as file:
pickle.dump(bunchFile, file)
def getStopWord(inputFile):
stopWordList = readFile(inputFile).splitlines()
return stopWordList
def getTFIDFMat(inputPath, stopWordList, outputPath,
tftfidfspace_path,tfidfspace_arr_path,tfidfspace_vocabulary_path): # 求得TF-IDF向量
bunch = readBunch(inputPath)
tfidfspace = Bunch(target_name=bunch.target_name, label=bunch.label, filenames=bunch.filenames, tdm=[],
vocabulary={})
'''读取tfidfspace'''
tfidfspace_out = str(tfidfspace)
saveFile(tftfidfspace_path, tfidfspace_out)
# 初始化向量空间
vectorizer = TfidfVectorizer(stop_words=stopWordList, sublinear_tf=True, max_df=0.5)
transformer = TfidfTransformer() # 该类会统计每个词语的TF-IDF权值
# 文本转化为词频矩阵，单独保存字典文件
tfidfspace.tdm = vectorizer.fit_transform(bunch.contents)
tfidfspace_arr = str(vectorizer.fit_transform(bunch.contents))
saveFile(tfidfspace_arr_path, tfidfspace_arr)
tfidfspace.vocabulary = vectorizer.vocabulary_ # 获取词汇
tfidfspace_vocabulary = str(vectorizer.vocabulary_)
saveFile(tfidfspace_vocabulary_path, tfidfspace_vocabulary)
'''over'''
writeBunch(outputPath, tfidfspace)
def getTestSpace(testSetPath, trainSpacePath, stopWordList, testSpacePath,
testSpace_path,testSpace_arr_path,trainbunch_vocabulary_path):
bunch = readBunch(testSetPath)
# 构建测试集TF-IDF向量空间
testSpace = Bunch(target_name=bunch.target_name, label=bunch.label, filenames=bunch.filenames, tdm=[],
vocabulary={})
'''
读取testSpace
'''
testSpace_out = str(testSpace)
saveFile(testSpace_path, testSpace_out)
# 导入训练集的词袋
trainbunch = readBunch(trainSpacePath)
# 使用TfidfVectorizer初始化向量空间模型 使用训练集词袋向量
vectorizer = TfidfVectorizer(stop_words=stopWordList, sublinear_tf=True, max_df=0.5,
vocabulary=trainbunch.vocabulary)
transformer = TfidfTransformer()
testSpace.tdm = vectorizer.fit_transform(bunch.contents)
testSpace.vocabulary = trainbunch.vocabulary
testSpace_arr = str(testSpace.tdm)
trainbunch_vocabulary = str(trainbunch.vocabulary)
saveFile(testSpace_arr_path, testSpace_arr)
saveFile(trainbunch_vocabulary_path, trainbunch_vocabulary)
# 持久化
writeBunch(testSpacePath, testSpace)
def bayesAlgorithm(trainPath, testPath,tfidfspace_out_arr_path,
tfidfspace_out_word_path,testspace_out_arr_path,
testspace_out_word_apth):
trainSet = readBunch(trainPath)
testSet = readBunch(testPath)
clf = MultinomialNB(alpha=0.001).fit(trainSet.tdm, trainSet.label)
# alpha:0.001 alpha 越小，迭代次数越多，精度越高
# print(shape(trainSet.tdm)) #输出单词矩阵的类型
# print(shape(testSet.tdm))
'''处理bat文件'''
tfidfspace_out_arr = str(trainSet.tdm) # 处理
tfidfspace_out_word = str(trainSet)
saveFile(tfidfspace_out_arr_path, tfidfspace_out_arr) # 矩阵形式的train_set.txt
saveFile(tfidfspace_out_word_path, tfidfspace_out_word) # 文本形式的train_set.txt
testspace_out_arr = str(testSet)
testspace_out_word = str(testSet.label)
saveFile(testspace_out_arr_path, testspace_out_arr)
saveFile(testspace_out_word_apth, testspace_out_word)
'''处理结束'''
predicted = clf.predict(testSet.tdm)
total = len(predicted)
rate = 0
for flabel, fileName, expct_cate in zip(testSet.label, testSet.filenames, predicted):
if flabel != expct_cate:
rate += 1
print(fileName, ":实际类别：", flabel, "-->预测类别：", expct_cate)
print("erroe rate:", float(rate) * 100 / float(total), "%")
# 分词，第一个是分词输入，第二个参数是结果保存的路径
#
if __name__ == '__main__':
datapath = "./data/" #原始数据路径
stopWord_path = "./stop/stopword.txt"#停用词路径
test_path = "./test/" #测试集路径
'''
以上三个文件路径是已存在的文件路径，下面的文件是运行代码之后生成的文件路径
dat文件是为了读取方便做的，txt文件是为了给大家展示做的，所以想查看分词，词频矩阵
词向量的详细信息请查看txt文件，dat文件是通过正常方式打不开的
'''
test_split_dat_path = "./test_set.dat" #测试集分词bat文件路径
testspace_dat_path ="./testspace.dat" #测试集输出空间矩阵dat文件
train_dat_path = "./train_set.dat" # 读取分词数据之后的词向量并保存为二进制文件
tfidfspace_dat_path = "./tfidfspace.dat" #tf-idf词频空间向量的dat文件
'''
以上四个为dat文件路径，是为了存储信息做的，不要打开
'''
test_split_path = './split/test_split/' #测试集分词路径
split_datapath = "./split/split_data/" # 对原始数据分词之后的数据路径
'''
以上两个路径是分词之后的文件路径，大家可以生成之后自行打开查阅学习
'''
tfidfspace_path = "./tfidfspace.txt" # 将TF-IDF词向量保存为txt，方便查看
tfidfspace_arr_path = "./tfidfspace_arr.txt" # 将TF-IDF词频矩阵保存为txt，方便查看
tfidfspace_vocabulary_path = "./tfidfspace_vocabulary.txt" # 将分词的词汇统计信息保存为txt，方便查看
testSpace_path = "./testSpace.txt" #测试集分词信息
testSpace_arr_path = "./testSpace_arr.txt" #测试集词频矩阵信息
trainbunch_vocabulary_path = "./trainbunch_vocabulary.txt" #所有分词词频信息
tfidfspace_out_arr_path = "./tfidfspace_out_arr.txt" #tfidf输出矩阵信息
tfidfspace_out_word_path = "./tfidfspace_out_word.txt" #单词形式的txt
testspace_out_arr_path = "./testspace_out_arr.txt" #测试集输出矩阵信息
testspace_out_word_apth ="./testspace_out_word.txt" #测试界单词信息
'''
以上10个文件是dat文件转化为txt文件，大家可以查询信息，这是NLP（自然语言处理）非常珍贵的资源
'''
#输入训练集
segText(datapath,#读入数据
split_datapath)#输出分词结果
bunchSave(split_datapath,#读入分词结果
train_dat_path) # 输出分词向量
stopWordList = getStopWord(stopWord_path) # 获取停用词表
getTFIDFMat(train_dat_path, #读入分词的词向量
stopWordList, #获取停用词表
tfidfspace_dat_path, #tf-idf词频空间向量的dat文件
tfidfspace_path, #输出词频信息txt文件
tfidfspace_arr_path,#输出词频矩阵txt文件
tfidfspace_vocabulary_path) #输出单词txt文件
'''
测试集的每个函数的参数信息请对照上面的各个信息，是基本相同的
'''
#输入测试集
segText(test_path,
test_split_path) # 对测试集读入文件，输出分词结果
bunchSave(test_split_path,
test_split_dat_path) #
getTestSpace(test_split_dat_path,
tfidfspace_dat_path,
stopWordList,
testspace_dat_path,
testSpace_path,
testSpace_arr_path,
trainbunch_vocabulary_path)# 输入分词文件，停用词，词向量，输出特征空间(txt,dat文件都有)
bayesAlgorithm(tfidfspace_dat_path,
testspace_dat_path,
tfidfspace_out_arr_path,
tfidfspace_out_word_path,
testspace_out_arr_path,
testspace_out_word_apth)然后我们运行代码：
代码的输出仍然不变，但是会生成很多文件：
split文件夹中是训练集和测试集的文词文件
剩下的dat文件是打不开的，但是我转成相应的txt文件了，每个文件在上面都有注释，大家针对自己想要的一一对应查阅，这是非常好的NLP的学习资源，我这里随便截取两个
第一张图已经是词频矩阵了，将tfidf的值已经计算出来了，第二个是单词出现频率，详细请参考开始我放出的原博客链接
（如果你的打开有乱码，请转为GBK，记事本自动转换不用担心，pycharm请手动点击，如下图）
最后，我想说一下，因为很多人可能是新手或者刚入行，我这里附上常见的一些问题，因为我当时开始学的时候也是有个大哥在帮我。
以下为同学们给我发的微信bug图片：
1.
出现这种问题是缺少包，我们可以在终端输入
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple some-packagesome-package 到时候替换为 缺少的模块，以上图代码为例，分别替换为 jieba，numpy ，scikit-learn
然后这里肯定有人问，终端在哪？两个办法进入终端：
1.window下按win + r ，输入cmd，然后复制上面的代码（路径无所谓）
linux下直接输入即可
2.pycharm下点这个
然后输入，回车就ok了
当然还有很多其他办法，我这里就说两个比较适合新手的方法
2.
也有同学出现pycharm中缺少环境的，但是大家的疑问是我装过python或者 anaconda了，怎么缺少环境呢？
这里我放出其他博客的链接，大家可以参考
https://blog.****.net/weixin_41923961/article/details/86584683
正常学习文件以及代码下载链接（仅有输入文件，运行后可生成输出文件，推荐大家学习使用）：
链接：https://pan.baidu.com/s/1IW6kMev17sjyPFdizsS13g
提取码：ap7m
最后啊，因为有人是给学校交作业啊什么，比较急，什么明天不交就挂科了什么的。。。我这里再放一个链接，这是我生成好的数据文件，大家可以直接交了。。。但是我不推荐啊，毕竟我都这么费劲写博客教大家怎么运行我的代码了
急着明天交作业的同学的生成文件，代码，以及运行截图（无水印）下载链接（非常不推荐，不值得学习）：
链接：https://pan.baidu.com/s/1arv3b-poyMUFxz3dcaSm5g
提取码：ofa2
由于提问评论人太多，这里我留下个人微信：wy1119744330 添加好友请备注 ：****博客
你们的问题我都会尽量满足，谢谢大家
最后再附上原博客链接：https://blog.****.net/qq_28626909/article/details/80382029