toshihikosakai/maeshori

20news-bydate-matlab.tgzの前処理を実施

概要

20news-bydate-matlab.tgzの前処理を実施

• stopwordsを除外
• アルファベット以外を除外
• アルファベットを小文字に統一
• 文書群での総出現回数が20回以下の単語及び全体の30%以上の文書に出現する単語の除外

単語集合の作成

• カテゴリ単語順序対集合の作成

利用しているデータ

20newsgroup datasetsの20news-bydate-matlab.tgzをとってくる

wget http://qwone.com/~jason/20Newsgroups/20news-bydate-matlab.tgz

今回はダウンロード済みのものをdataディレクトリに格納済み。

データの加工

python3 datatoarrange.py

上記を実行するとnews20とnews20.tが作成される。 プログラムはhttp://aidiary.hatenablog.com/entry/20100618/1276877116　を参考。 news20とnews20.tの形式は以下。 alt.atheism archive:4 name:2 atheism:10 ... comp.graphics name:1 last:1 modified:1 addresses:2 of:14 ... talk.religion.misc of:4 and:4 other:1 are:2 the:14 in:5 ...

• news20とnews20.tを連結したファイルの作成

cat news20 news20.t > news20_all

すでにnews20,news20.t,news20_allを格納済み。

前処理の実施

python3 maeshori.py > word_freq_DF_news20_all

中身は以下 単語:freq:DF crystal:79:55 trip:147:117 largely:115:101

前処理後は単語数は13413となった。この単語リストを前処理後の単語リストと呼ぶ。

wc -l word_freq_DF_news20_all 
  13413 word_freq_DF_news20_all

• データから前処理後の単語リストに当てはまらないものを除外(30分くらいかかる)

 python3 test.py > news20_maeshori

前処理後の単語リストを基に、もともとのデータに対して前処理を実施

データ：20newsgroup datasetの各カテゴリの文書 出力：13413単語にしぼり単語を限定した文書

sh test.sh

• 全カテゴリの文書を一つのファイルにまとめる

cat alt.atheism.maeshori.txt comp.graphics.maeshori.txt... >  all_maeshori.txt 

• 18846文書から70%=13192.2なので、13193文書を学習データ、5653文書をテストデータとして準備

python3 random_extract.py

all_maeshori_train.txtとall_maeshori_test.txtができる。

カテゴリ単語順序対集合の作成

python3 C_create.py > category_word_set.txt

例） alt.atheism subject alt.atheism visit alt.atheism jehovah alt.atheism witnesses alt.atheism lippard alt.atheism james alt.atheism

(別実験) corporaのfileter_extremes関数を使ってみた

結果、11466単語となった ファイル名：dic.py

python3 dic.py
head dic.txt 
18846
514	a	3975
2083	aa	249
2872	aaa	49