什么是词干提取？
在语言形态学和信息检索里，词干提取是去除词缀得到词根的过程─—得到单词最一般的写法。对于一个词的形态词根，词干并不需要完全相同；相关的词映射到同一个词干一般能得到满意的结果，即使该词干不是词的有效根。从1968年开始在计算机科学领域出现了词干提取的相应算法。很多搜索引擎在处理词汇时，对同义词采用相同的词干作为查询拓展，该过程叫做归并。
一个面向英语的词干提取器，例如，要识别字符串“cats”、“catlike”和“catty”是基于词根“cat”；“stemmer”、“stemming”和“stemmed”是基于词根“stem”。一根词干提取算法可以简化词 “fishing”、“fished”、“fish”和“fisher” 为同一个词根“fish”。
技术方案的选择
Python和R是数据分析的两种主要语言；相对于R，Python更适合有大量编程背景的数据分析初学者，尤其是已经掌握Python语言的程序员。所以我们选择了Python和NLTK库（Natual Language Tookit）作为文本处理的基础框架。此外，我们还需要一个数据展示工具；对于一个数据分析师来说，数据库的冗繁安装、连接、建表等操作实在是不适合进行快速的数据分析，所以我们使用Pandas作为结构化数据和分析工具。
环境搭建
我们使用的是Mac OS X，已预装Python 2.7.
安装NLTK
|
1
|
sudo pip install nltk |
安装Pandas
|
1
|
sudo pip install pandas |
对于数据分析来说，最重要的是分析结果，iPython notebook是必备的一款利器，它的作用在于可以保存代码的执行结果，例如数据表格，下一次打开时无需重新运行即可查看。
安装iPython notebook
|
1
|
sudo pip install ipython |
创建一个工作目录，在工作目录下启动iPython notebook，服务器会开启http://127.0.0.1:8080页面，并将创建的代码文档保存在工作目录之下。
|
1
2
3
|
mkdir Codescd Codesipython notebook |
文本处理
数据表创建
使用Pandas创建数据表 我们使用得到的样本数据，建立DataFrame——Pandas中一个支持行、列的2D数据结构。
|
1
2
3
4
5
6
|
from pandas import DataFrameimport pandas as pdd = ['pets insurance','pets insure','pet insurance','pet insur','pet insurance"','pet insu']df = DataFrame(d)df.columns = ['Words']df |
显示结果
NLTK分词器介绍
RegexpTokenizer：正则表达式分词器，使用正则表达式对文本进行处理，就不多作介绍。
PorterStemmer：波特词干算法分词器，原理可看这里：http://snowball.tartarus.org/algorithms/english/stemmer.html
第一步，我们创建一个去除标点符号等特殊字符的正则表达式分词器：
|
1
2
|
import nltktokenizer = nltk.RegexpTokenizer(r'w+') |
接下来，对准备好的数据表进行处理，添加词干将要写入的列，以及统计列，预设默认值为1：
|
1
2
|
df["Stemming Words"] = ""df["Count"] = 1 |
读取数据表中的Words列，使用波特词干提取器取得词干：
|
1
2
3
4
5
6
|
j = 0while (j <= 5): for word in tokenizer.tokenize(df["Words"][j]): df["Stemming Words"][j] = df["Stemming Words"][j] + " " + nltk.PorterStemmer().stem_word(word) j += 1df |
Good！到这一步，我们已经基本上实现了文本处理，结果显示如下：
分组统计
在Pandas中进行分组统计，将统计表格保存到一个新的DataFrame结构uniqueWords中：
|
1
2
|
uniqueWords = df.groupby(['Stemming Words'], as_index = False).sum().sort(['Count'])uniqueWords |
注意到了吗？依然还有一个pet insu未能成功处理。
拼写检查
对于用户拼写错误的词语，我们首先想到的是拼写检查，针对Python我们可以使用enchant:
|
1
|
sudo pip install enchant |
使用enchant进行拼写错误检查，得到推荐词：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
import enchantfrom nltk.metrics import edit_distanceclass SpellingReplacer(object): def __init__(self, dict_name='en', max_dist=2): self.spell_dict = enchant.Dict(dict_name) self.max_dist = 2 def replace(self, word): if self.spell_dict.check(word): return word suggestions = self.spell_dict.suggest(word) if suggestions and edit_distance(word, suggestions[0]) <= self.max_dist: return suggestions[0] else: return wordfrom replacers import SpellingReplacerreplacer = SpellingReplacer()replacer.replace('insu')'insu' |
但是，结果依然不是我们预期的“insur”。能不能换种思路呢？
算法特殊性
用户输入非常重要的特殊性来自于行业和使用场景。采取通用的英语大词典来进行拼写检查，无疑是行不通的，并且某些词语恰恰是拼写正确，但本来却应该是另一个词。但是，我们如何把这些背景信息和数据分析关联起来呢？
经过一番思考，我认为最重要的参考库恰恰就在已有的数据分析结果中，我们回来看看：
已有的5个“pet insur”，其实就已经给我们提供了一份数据参考，我们已经可以对这份数据进行聚类，进一步除噪。
相似度计算
对已有的结果进行相似度计算，将满足最小偏差的数据归类到相似集中：
|
1
2
3
4
5
6
7
8
9
10
11
12
|
import LevenshteinminDistance = 0.8distance = -1lastWord = ""j = 0while (j < 1): lastWord = uniqueWords["Stemming Words"][j] distance = Levenshtein.ratio(uniqueWords["Stemming Words"][j], uniqueWords["Stemming Words"][j + 1]) if (distance > minDistance): uniqueWords["Stemming Words"][j] = uniqueWords["Stemming Words"][j + 1] j += 1uniqueWords |
查看结果，已经匹配成功！
最后一步，重新对数据结果进行分组统计：
|
1
2
|
uniqueWords = uniqueWords.groupby(['Stemming Words'], as_index = False).sum()uniqueWords |
到此，我们已经完成了初步的文本处理。
