这篇文章主要是讲述如何通过LDA处理文本内容TXT，并计算其文档主题分布。
在了解本篇内容之前，推荐先阅读相关的基础知识：
LDA文档主题生成模型入门
结巴中文分词介绍
爬取百度百科5A景点摘要并实现分词
使用scikit-learn计算文本TF-IDF值
一、完整程序
from sklearn import feature_extraction
from sklearn.feature_extraction.text import CountVectorizer
if __name__ == "__main__":
corpus = []
for line in open('test.txt', 'r').readlines():
corpus.append(line.strip())
#print (corpus)
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(corpus)
word = vectorizer.get_feature_names() # 所有的特征词，即关键词
print (word)
#print(X)
analyze = vectorizer.build_analyzer()
weight = X.toarray()
print(weight)
import numpy as np
import lda
# 训练模型
model = lda.LDA(n_topics = 2, n_iter = 500, random_state = 1)
model.fit(np.asarray(weight))
# 主题-词分布
topic_word = model.topic_word_ #生成主题以及主题中词的分布
print("topic-word:\n", topic_word)
# 计算topN关键词
n = 5
for i, word_weight in enumerate(topic_word):
#print("word_weight:\n", word_weight)
distIndexArr = np.argsort(word_weight)
#print("distIndexArr:\n", distIndexArr)
topN_index = distIndexArr[:-(n+1):-1]
#print("topN_index:\n", topN_index) # 权重最在的n个
topN_words = np.array(word)[topN_index]
print(u'*Topic {}\n- {}'.format(i, ' '.join(topN_words)))
# 绘制主题-词分布图
import matplotlib.pyplot as plt
f, ax= plt.subplots(2, 1, figsize=(6, 6), sharex=True)
for i, k in enumerate([0, 1]): #两个主题
ax[i].stem(topic_word[k,:], linefmt='b-',
markerfmt='bo', basefmt='w-')
ax[i].set_xlim(-2,20)
ax[i].set_ylim(0, 1)
ax[i].set_ylabel("Prob")
ax[i].set_title("topic {}".format(k))
ax[1].set_xlabel("word")
plt.tight_layout()
plt.show()
# 文档-主题分布
doc_topic = model.doc_topic_
print("type(doc_topic): {}".format(type(doc_topic)))
print("shape: {}".format(doc_topic.shape))
label = []
for i in range(10):
print(doc_topic[i])
topic_most_pr = doc_topic[i].argmax()
label.append(topic_most_pr)
print("doc: {} topic: {}".format(i, topic_most_pr))
print(label) # 前10篇文章对应的主题列表
# 绘制文档-主题分布图
import matplotlib.pyplot as plt
f, ax= plt.subplots(6, 1, figsize=(8, 8), sharex=True)
for i, k in enumerate([0,1,2,3,8,9]):
ax[i].stem(doc_topic[k,:], linefmt='r-',
markerfmt='ro', basefmt='w-')
ax[i].set_xlim(-1, 2) #x坐标下标
ax[i].set_ylim(0, 1.2) #y坐标下标
ax[i].set_ylabel("Probability")
ax[i].set_title("Document {}".format(k))
ax[5].set_xlabel("Topic")
plt.tight_layout()
plt.show()
二、程序分析
（一）test.txt
这里的test.txt里面包含了分词后的内容
新春 备 年货 ， 新年 联欢晚会
新春 节目单 ， 春节 联欢晚会 红火
大盘 下跌 股市 散户
下跌 股市 赚钱
金猴 新春 红火 新年
新车 新年 年货 新春
股市 反弹 下跌
股市 散户 赚钱
新年 , 看 春节 联欢晚会
大盘 下跌 散户 散户
若想了解分词过程，可参考上面推荐的《[结巴中文分词介绍》和《爬取百度百科5A景点摘要并实现分词》。
（二）corpus
corpus是一个数组，存放的是test.txt中的所有内容，每行内容作为数组的一个元素：
['新春 备 年货 ， 新年 联欢晚会', '新春 节目单 ， 春节 联欢晚会 红 火', '大盘 下跌 股市 散户', '下跌 股市 赚钱', '金猴 新春 红火 新年', '新车 新年 年货 新春', '股市 反弹 下跌', '股市 散户 赚钱', '新年 , 看 春节 联欢晚会', '大盘 下跌 散户 散户']
（三）特征词
vectorizer.fit_transform(corpus)的作用是提取特征词，这里一共提取出15个特征词：
['下跌', '反弹', '大盘', '年货', '散户', '新年', '新春', '新车', ' 春节', '红火', '联欢晚会', '股市', '节目单', '赚钱', '金猴']
特征词不包含标点符号，比如逗号，也不包含单个的字，比如“备”、“看”。
注意英文是按字母顺序排序的，比如“and”肯定会放在“bee”之前。
中文按什么顺序我还不清楚，为何“下跌”放在“反弹”之前，“金猴”放在最后？有了解者盼指教。
（四）特征词的出现次数
X = vectorizer.fit_transform(corpus)是用于获取特征词的出现次数
(0, 10) 1
(0, 5) 1
(0, 3) 1
(0, 6) 1
(1, 9) 1
(1, 8) 1
(1, 12) 1
(1, 10) 1
(1, 6) 1
(2, 4) 1
(2, 11) 1
(2, 0) 1
(2, 2) 1
(3, 13) 1
(3, 11) 1
(3, 0) 1
(4, 14) 1
(4, 9) 1
(4, 5) 1
(4, 6) 1
(5, 7) 1
(5, 5) 1
(5, 3) 1
(5, 6) 1
(6, 1) 1
(6, 11) 1
(6, 0) 1
(7, 13) 1
(7, 4) 1
(7, 11) 1
(8, 8) 1
(8, 10) 1
(8, 5) 1
(9, 4) 2
(9, 0) 1
(9, 2) 1
(0, 10) 1 表示第10个词“联欢晚会”在第0行里出现了1次。注意对于程序而言都是从0开始计数的，而不是从1开始。
(0, 5) 1 表示第5个词“新年”在第0行里出现了1次。
(0, 3) 1 表示第3个词“年货”在第0行里出现了1次。
……
(9, 4) 2 表示第4个词“散户”在第9行里出现了2次。
(9, 0) 1 表示第0个词“下跌”在第9行里出现了1次。
(9, 2) 1 表示第2个词“大盘”在第9行里出现了1次。
weight = X.toarray()的作用是把特征语出现次数放在数组里
[[0 0 0 1 0 1 1 0 0 0 1 0 0 0 0]
[0 0 0 0 0 0 1 0 1 1 1 0 1 0 0]
[1 0 1 0 1 0 0 0 0 0 0 1 0 0 0]
[1 0 0 0 0 0 0 0 0 0 0 1 0 1 0]
[0 0 0 0 0 1 1 0 0 1 0 0 0 0 1]
[0 0 0 1 0 1 1 1 0 0 0 0 0 0 0]
[1 1 0 0 0 0 0 0 0 0 0 1 0 0 0]
[0 0 0 0 1 0 0 0 0 0 0 1 0 1 0]
[0 0 0 0 0 1 0 0 1 0 1 0 0 0 0]
[1 0 1 0 2 0 0 0 0 0 0 0 0 0 0]]
（四）主题-词分布
lda.LDA(n_topics = 2, n_iter = 500, random_state = 1)
n_topics表示主题数，这里因为文件较少，咱们一眼就可以看出主题是两个。在复杂场景中，这个参数不好确定。
n_iter表示训练迭代的次数 。
topic_word = model.topic_word_表示主题中特征词的分布：
topic-word:
[[0.23381924 0.05889213 0.11720117 0.00058309 0.23381924 0.00058309
0.00058309 0.00058309 0.00058309 0.00058309 0.00058309 0.23381924
0.00058309 0.11720117 0.00058309]
[0.00049628 0.00049628 0.00049628 0.09975186 0.00049628 0.19900744
0.19900744 0.05012407 0.09975186 0.09975186 0.14937965 0.00049628
0.05012407 0.00049628 0.05012407]]
这里可以看出，第一个主题里的第0，1，2，4，11，13个特征词占的权重较大；第二个主题里第3，5，6，7，8，9，10，12，14个语占的权重较大。
这个权重是什么计算的呢？权重 约等于 出现次数/该主题的所有词，这里的所有词不包含符号和单个字（比如“看”和“备”）
例1：求“下跌”的权重
“下跌”共出现了4次，“下跌”属于主题0
主题0包含了第2，3，6，7，9行共17个词，
所以，w("下跌") = 4 / 17 = 0.235294
例2：求“年货”的权重
“年货”共出现了2次，“年货”属于主题1
主题0包含了第0，1，4，5，8行共20个词
所以，w("年货") = 2/20 = 0.1
（五）求每个主题的前5个关键词
代码：
# 计算topN关词
n = 5
for i, word_weight in enumerate(topic_word):
#print("word_weight:\n", word_weight)
distIndexArr = np.argsort(word_weight)
#print("distIndexArr:\n", distIndexArr)
topN_index = distIndexArr[:-(n+1):-1]
#print("topN_index:\n", topN_index) # 权重最在的n个
topN_words = np.array(word)[topN_index]
print(u'*Topic {}\n- {}'.format(i, ' '.join(topN_words)))
运行结果：
*Topic 0
- 股市 散户 下跌 赚钱 大盘
*Topic 1
- 新春 新年 联欢晚会 红火 春节
可以看到，计算结果与上一步的图形是可以相对应的。
（六）文档-主题分布
type(doc_topic): <class 'numpy.ndarray'>
shape: (10, 2)
[0.02380952 0.97619048]
doc: 0 topic: 1
[0.01923077 0.98076923]
doc: 1 topic: 1
[0.97619048 0.02380952]
doc: 2 topic: 0
[0.96875 0.03125]
doc: 3 topic: 0
[0.02380952 0.97619048]
doc: 4 topic: 1
[0.02380952 0.97619048]
doc: 5 topic: 1
[0.96875 0.03125]
doc: 6 topic: 0
[0.96875 0.03125]
doc: 7 topic: 0
[0.03125 0.96875]
doc: 8 topic: 1
[0.97619048 0.02380952]
doc: 9 topic: 0
[1, 1, 0, 0, 1, 1, 0, 0, 1, 0]
总共有10篇文档，分为两个主题。
每个doc_topic[i]中包含了两个值，一个是主题0的概率，一个是主题1的概率。哪个概率大说明这个文档的主题是哪个。
最终10篇文章分别对应于主题1, 1, 0, 0, 1, 1, 0, 0, 1, 0。
这里列出了其中6个文档的主题分布图。
三、参考
https://blog.csdn.net/eastmount/article/details/50891162
了解小朋友学编程请加QQ307591841（微信与QQ同号），或QQ群581357582。
关注公众号请扫描二维码
qrcode_for_kidscode_258.jpg
