你希望學(xué)習(xí)文本挖掘，卻發(fā)現(xiàn)大多數(shù)教程難度跨度很大？或者說你找不到心儀的數(shù)據(jù)集？

本文將會通過 8 個小貼士幫助你走進文本挖掘之門。

對文本保持好奇

在數(shù)據(jù)科學(xué)世界中，凡事的第一步都是“感到好奇”，文本挖掘也不例外。

就像 StackOverflow 的數(shù)據(jù)科學(xué)家 David Robinson 在他的博客中說的那樣，“當我看到一個假設(shè) […] 我就迫不及待地想要用數(shù)據(jù)驗證它”。你也應(yīng)該像他那樣對文本保持好奇心。

David Robinson 看到的假設(shè)是：

即使你并不打算真的去驗證它，你也應(yīng)該對自己看到的詞云圖感到好奇，并且有想要自己動手復(fù)現(xiàn)一遍的想法。

如果你還未能感受到文本挖掘的魅力，那就來看看這些最近在媒體上廣受關(guān)注的文本挖掘應(yīng)用案例吧，比如 South Park dialogue, film dialogue 等等，你會從中得到啟發(fā)。

掌握你所需要的知識和技能

當你擁有了好奇心，是時候去學(xué)習(xí)關(guān)于文本挖掘的知識和技能了。你可以通過完成一些教學(xué)課程輕松地做到這一步。

在這些教程中你需要格外關(guān)注的是數(shù)據(jù)科學(xué)工作流中的基本步驟，比如數(shù)據(jù)預(yù)備和預(yù)處理，數(shù)據(jù)探索，數(shù)據(jù)分析等等。

推薦閱讀：

• Ted Kwartler: Text Mining in R: Are Pokémon GO Mentions Really Driving Up Stock Prices?
• Ted Kwartler: Text Mining: Bag of Words
• Neal Caren: An introduction to text analysis with Python
• Kaggle: Part 1: For Beginners - Bag of Words
• DataCamp: Learn Data Science - Resources for Python & R

詞語，詞語，詞語 – 尋找你的數(shù)據(jù)

一旦你掌握了分析和展現(xiàn)數(shù)據(jù)所需的基本概念和方法，就可以開始尋找你的數(shù)據(jù)了！

有非常多途徑可以找到你心儀的數(shù)據(jù)，除了 google trends 和雅虎，你還可以從以下途徑獲取數(shù)據(jù)：

• 推特！R 和 Python 都提供了連接推特 API 的包或庫。
• The Internet Archive, 一個非營利性的資料庫，包含上百萬的免費圖書、電影、軟件、音樂、網(wǎng)頁等等。
• Project Gutenberg, 提供超過 55000 本免費電子書。大多數(shù)是成熟文獻，如果你想要對如像莎士比亞、簡·奧斯汀、愛倫坡這樣的作家的用詞進行分析，它會是很好的資源。
• 在學(xué)術(shù)方面，你可以使用 JSTOR’s data for research。這是一個免費的自助工具，允許計算機科學(xué)、數(shù)字人文主義者和其他研究者使用 JSTOR 上的內(nèi)容。
• 如果你打算像開頭的例子中一樣對劇集或者電影進行文本挖掘，你可能需要考慮下載字幕。只要谷歌一下就能得到你想要的文本挖掘語料。
• 你也可以從語料庫開始。兩個著名的語料庫是： 
• The Reuters Text Corpus, 一些人對這個語料庫是不是最多樣化的語料庫有爭議，但是它仍然對你開始學(xué)習(xí)文本挖掘很有幫助； 
• Brown Corpus, 包括500種來源的文本，并已經(jīng)根據(jù)類型分類。

如你所見，文本來源有無限可能。任何包含文本的東西都可以成為你的文本挖掘案例學(xué)習(xí)的主題。

尋找合適的工具

現(xiàn)在你已經(jīng)找到了你的數(shù)據(jù)的來源，你可能需要使用合適的工具來對他們進行處理。你已經(jīng)學(xué)習(xí)的教學(xué)課程應(yīng)該已經(jīng)為你提供了許多入門工具。

但是，如果你僅僅學(xué)習(xí)了教學(xué)課程，你可能錯過了一些東西，比如下文會介紹的用 R 進行文本挖掘時會用到的包：

• 在R中進行文本挖掘時最常用的包毫無疑問是 tm 包。這個包常被加入到其他包中，比如 twitterR 包，通過這個包你可以從推特的網(wǎng)頁上提取推文和關(guān)注者等。
• 在 R 中進行網(wǎng)頁爬蟲的時候你需要 rvest 包，這里有一個簡短的 rvest 教程。

對于Python，你可以使用以下庫：

• 自然語言工具箱，包含在 nltk 包中，這個包是極其實用的，因為他提供了超過 50 種語料庫和詞匯資源的入口。你可以查看 nltk 數(shù)據(jù)列表。
• 如果你想要挖掘推特數(shù)據(jù)，你有許多包可以選擇。其中最廣泛被使用的是 tweey 包
• 對于網(wǎng)頁爬蟲，scrapy 包是最容易上手的，也可以考慮使用 urllib2，這是一個用來打開網(wǎng)頁鏈接的包。有時候更推薦使用 requests, 因為某些場合下它可能更方便使用。也有些人說它更加人性化，因為諸如設(shè)置 user-agent 和請求頁面都只需要一行代碼。偶爾你會看到有人提到并不太流行的 urllib包，大多數(shù)開發(fā)者提到它只是因為他們在里面找到一兩個他們覺得特別實用的函數(shù)。

充分的準備是成功的一半——數(shù)據(jù)預(yù)處理

數(shù)據(jù)科學(xué)家工作中 80% 的時間用在數(shù)據(jù)清洗上，文本挖掘也不例外。

如果你不確定要怎么預(yù)處理，以下是一些標準流程中的步驟：

• 從文本中提取出你想要處理的格式和結(jié)構(gòu)，
• 去掉如 “that” 和 “and” 這樣的停用詞，
• 詞干化（提取詞根）。這一步需要字典、語言學(xué)規(guī)則或算法（如 Porter 算法）的幫助。

這些步驟看起來很難，實際上你不用每一步都自己實現(xiàn)。大多數(shù)情況下，上文中提到的庫和包都能幫你實現(xiàn)這些步驟。比如 R 中的 tm 包可以讓你通過其內(nèi)置函數(shù)完成詞干化、去除停止詞、消除空白以及小寫轉(zhuǎn)換。類似的，Python 中的 nltk 庫也可以通過其內(nèi)置函數(shù)完成這些預(yù)處理過程。

然而，你可能仍然需要進一步使用正則表達式來描述你需要的文本模式，以便進一步預(yù)處理。這也可以加速你的數(shù)據(jù)清理過程。

對于 Python, 你可以使用 re 庫，而在 R 中，有許多內(nèi)置函數(shù)，如 grep(), grepl(), regexpr(), gregexpr(), sub(), gsub() 和 strsplit()。

如果你想要更加深入地了解這些函數(shù)，或者 R 中的正則表達式，你可以查看這個正則表達式介紹網(wǎng)頁。

數(shù)據(jù)科學(xué)家的仙境冒險——數(shù)據(jù)探索

到目前為止，你已經(jīng)摩拳擦掌準備開始分析了。但是，在分析之前最好還是先看看數(shù)據(jù)長什么樣子。

利用上文提到的那些包和庫，你可以快速地進行一些數(shù)據(jù)探索工作：

• 創(chuàng)建一個文檔詞項矩陣：該矩陣中的元素表示語料庫中一篇文檔內(nèi)，一個詞項（一個單詞或者一個 n 元詞組）出現(xiàn)的頻繁程度。
• 當你創(chuàng)建了文檔詞項矩陣，你可以繪制直方圖來可視化語料庫中的詞匯頻率。
• 你也可以計算語料庫中兩個或更多詞項之間的相關(guān)性。
• 你可以使用詞云圖來可視化你的語料庫。在 R 中你可以使用 wordcloud 包來繪制，Python 中也有一個同名的庫。

經(jīng)過數(shù)據(jù)探索過程，你會對你接下來分析中，要分析的對象有一定的了解。如果你看到文檔詞匯矩陣或者直方圖中有很多詞語是稀疏的，你可以考慮將他們?nèi)サ簟?/p>

提升你的文本挖掘技能

當你使用上述工具完成了預(yù)處理和基本的文本分析等步驟，你可以考慮通過你的數(shù)據(jù)集，進一步擴展你的文本挖掘技能。因為到現(xiàn)在，你看到的技巧提示都只是文本挖掘的冰山一角。

首先，你應(yīng)該考慮探索文本挖掘和自然語言處理（NLP）的區(qū)別。更多關(guān)于 NLP 的 R 包可以在這個 NLP 的 R 包網(wǎng)頁找到。NLP 中，你會學(xué)習(xí)到命名實體識別、詞性標注、篇章分析、情感分析等內(nèi)容。對于 Python， 你可以使用 nltk 庫。這個使用 nltk 庫進行情感分析完全指南會對你有所幫助。

除了這些包，還有諸如深度學(xué)習(xí)、統(tǒng)計主題發(fā)現(xiàn)模型（如隱式狄利克雷分配，LDA）等工具等著你去學(xué)習(xí)。這些算法對應(yīng)的包有：

• Python 庫：gensim，這個庫可以實現(xiàn) word2vec, GloVe, LDA 等算法。此外，如果你需要研究深度學(xué)習(xí)，theano 是一個很值得考慮的庫。
• R 包：text2vec 包可以用于實現(xiàn)文本向量化和詞嵌入。如果你對情感分析感興趣，使用 syuzhet 和 tm 包可以完成這個任務(wù)。最后，topicmodes 包可以用于實現(xiàn)統(tǒng)計主題發(fā)現(xiàn)模型。

當然，并不僅僅只有這些包。

不止是詞語——結(jié)果可視化

可視化是一種非常吸引人的表達方式，所以將結(jié)果可視化可能是你能做的最美妙的事情！注意，你要可視化的是你要講的故事，而不是將你分析中發(fā)現(xiàn)的關(guān)聯(lián)性或者話題可視化。

Python 和 R 中都有許多可視化包：

對于 Python, 你可以考慮使用 NetworkX 庫來可視化復(fù)雜網(wǎng)絡(luò)，matplotlib 包可以用來解決其他可視化問題。此外，plotly 包讓你可以發(fā)布可交互在線圖表。試著將 Python 和 D3 聯(lián)系起來會得到更好的效果。D3 是一個用于動態(tài)數(shù)據(jù)操縱和可視化的 JavaScript 庫，可以讓你的讀者和聽眾參與到數(shù)據(jù)可視化的過程中來。

對于 R, 除了 ggplot2 等大家耳熟能詳?shù)陌阋部梢允褂?igraph 包來分析關(guān)注、被關(guān)注以及轉(zhuǎn)發(fā)微博等關(guān)系。此外，plotly 和 networkD3 包可以把 R 和 JavaScript 鏈接起來，LDAvis 包則可以將主題模型進行可交互的可視化。