Clustering di documenti

Analisi di cluster in Python

Shaumik Daityari

Business Analyst

Clustering di documenti: concetti

Pulisci i dati prima dell'elaborazione
Determina l'importanza dei termini in un documento (nella matrice TF-IDF)
Raggruppa la matrice TF-IDF
Trova termini e documenti principali in ogni cluster

Pulisci e tokenizza i dati

Converti il testo in token e pulisci i dati per l'elaborazione

from nltk.tokenize import word_tokenize
import re

def remove_noise(text, stop_words = []):
    tokens = word_tokenize(text)

    cleaned_tokens = []
    for token in tokens:
        token = re.sub('[^A-Za-z0-9]+', '', token)

        if len(token) > 1 and token.lower() not in stop_words:
            # Get lowercase
            cleaned_tokens.append(token.lower())
    return cleaned_tokens

remove_noise("It is lovely weather we are having.
              I hope the weather continues.")

['lovely', 'weather', 'hope', 'weather', 'continues']

Matrice documento-termine e matrici sparse

Creata la matrice documento-termine
La maggior parte degli elementi è zero

Fonte

Si crea una matrice sparsa

Fonte

TF-IDF (Term Frequency - Inverse Document Frequency)

Misura pesata: valuta quanto è importante una parola in un documento di una raccolta

from sklearn.feature_extraction.text import TfidfVectorizer

tfidf_vectorizer = TfidfVectorizer(max_df=0.8, max_features=50,
                                   min_df=0.2, tokenizer=remove_noise)

tfidf_matrix = tfidf_vectorizer.fit_transform(data)

Clustering con matrice sparsa

kmeans() in SciPy non supporta matrici sparse
Usa .todense() per convertirla in matrice densa

cluster_centers, distortion = kmeans(tfidf_matrix.todense(), num_clusters)

Termini top per cluster

Centroidi: liste di dimensione pari al numero di termini
Ogni valore nel centroide indica l'importanza
Crea un dizionario e stampa i termini principali

terms = tfidf_vectorizer.get_feature_names_out()

for i in range(num_clusters):
    center_terms = dict(zip(terms, list(cluster_centers[i])))

    sorted_terms = sorted(center_terms, key=center_terms.get, reverse=True)

    print(sorted_terms[:3])

['room', 'hotel', 'staff']

['bad', 'location', 'breakfast']

Altre considerazioni

Gestisci hyperlink, emoticon, ecc.
Normalizza le parole (run, ran, running -> run)
.todense() può non funzionare su dataset grandi

Prossimo: esercizi!

Analisi di cluster in Python