机器学习聚类分析——k-means文本聚类分析

最近比较喜欢听《认真的老去》这首歌，那就抓这个豆瓣评论做数据集吧，，做个评论的聚类分析。

一、抓到数据

抓出来140条评论~~

放代码~~

import requests

from bs4 import BeautifulSoup

start_page = 1

end_page = 7

data = []

while start_page <= end_page:

html = BeautifulSoup(requests.get(url=' https:// music.douban.com/subjec t/26979930/comments/hot?p= '.format(start_page)).text)

data += [content.text for content in html.find_all('span',{'class':'short'})]

start_page +=1

下面开始我们的聚类分析

1. 文本通过jieba分词，
2. 传递给CountVectorizer,统计出词频。
3. 再传递给TfidfTransformer，统计出tf-idf值，
4. 对tf-idf进行聚类计算。

放代码

from sklearn.feature_extraction.text import CountVectorizer,TfidfTransformer

from sklearn.cluster import KMeans

import jieba

vectorizer = CountVectorizer()

X = vectorizer.fit_transform([" ".join([b for b in jieba.cut(a)]) for a in data])

tfid = TfidfTransformer()

X = tfid.fit_transform(X.toarray())

那么我们聚合几类呢？

from sklearn import metrics

def easy_get_parameter_k_means(data):

test_score = []

n_clusters_end = 50

n_clusters_start = 2

while n_clusters_start <= n_clusters_end:

km = KMeans(n_clusters=n_clusters_start)

km.fit(data)

clusters = km.labels_.tolist()

score = metrics.silhouette_score(X=X,labels=clusters)

num = sorted([(np.sum([1 for a in clusters if a==i]),i) for i in set(clusters)])[-1]

test_score.append([n_clusters_start,score,num[0],num[1]])

n_clusters_start += 1

return pd.DataFrame(test_score,columns=['共分了几类','分数','最大类包含的个数','聚类的名称']).sort_values(by ='分数',ascending =False)

easy_get_parameter_k_means(X.toarray()) #得到最佳参数

算出应该分几类

这里用到了“轮廓系数”算法，用户计算聚类的分数。聚类的好不好。

综合考虑， 分成11个簇 是最佳的聚类效果，带入参数。

最后看分类结果：

似乎，还不错噢~

原创（AI_大数据)文章，公众号首发，欢迎您的关注

http:// weixin.qq.com/r/2kT748v EJ5ZYrY_A9xHI (二维码自动识别)

打赏作者（下图），未来写出更好的文章及教程

wxp://f2f0_H3tTygX38gN2-ddCME2fmavjmPtoG9u (二维码自动识别)