数据挖掘入门与实战 公众号： datadw
我们手里面有一个差不多100G的亚马逊用户在购买商品后留下的评论数据(数据格式为json)。我们需要统计这100G数据中，出现频率最高的100个词语。然后制作一个词云表现表现出来，所谓的词云，就是类似于这样的一张图片
，显然还是图片让我们对单词出现的热度一目了然。
问题难点
数据量太大，而我的电脑内存只有32G，无法将数据一次性装入内存。需要我们队数据进行分块处理。在解决问题之前，我们需要对要处理的数据一探究竟。我的数据来源是公开的，由MIT一位教授放在亚马逊用户评论数据，http://jmcauley.ucsd.edu/data/amazon/
只需要给他发一个邮件，说一下自己的意图，就可以直接下载了。下面我结合着代码，介绍整个项目的流程。
import dask.bag as db
import ujson as json #听说用ujson解析比普通json快好几倍哦
import pandas as pd
import numpy as np
import gzip #解析gzip等压缩文件
import re
b = db.from_filenames(r'E:\研究生阶段课程作业\python\zhihu_bigdata\complete.json.gz',encoding='utf-8').map(json.loads)
b.take(1) #检查数据的格式
>>out[1]:'asin': 'B003UYU16G',
'helpful': [0, 0],
'overall': 5.0,
'reviewText': "It is and does exactly what the description said it would be and would do. Couldn't be happier with it.",
'reviewTime': '11 21, 2012',
'reviewerID': 'A00000262KYZUE4J55XGL',
'reviewerName': 'Steven N Elich',
'summary': "Does what it's supposed to do",
'unixReviewTime': 1353456000}
在这段代码中，我们首先读取complete.json.gz里面的数据，这里我用到了dask里面的bag类型，dask会根据你的内存情况来适当读取不超过内存大小的数据
。
因为我们只对里面的 "reviewText"字段感兴趣，我们对其他的字段直接忽略。在提取" "reviewText"数据之前，我们看一下需要处理多少行这样的数据。
print(sum([1 for _ in gzip.open(r'E:\研究生阶段课程作业\python\zhihu_bigdata\complete.json.gz')])) #计算用户的评论数目
out[2]:143674325 #差不多1.5亿行数据，在我电脑上跑了差不多三分钟
没错，只有一行数据，不用把数据全部装入内存，我们就可以计算这100G数据，究竟有多少个类似于out[1]这样的数据段。你问我为什么喜欢python，这就是理由，因为他强大，简洁，优雅，代码可读性好。
我们需要处理的数据差不多有100G，远超我们的内存极限。
采用的步骤如下：
step 1：对每一个用户数据，转化成字典结构。
step 2: 提取里面的 reviewText
step 3: 使用分词，把句子转化成单词
step 4：对每个单词进行hash,对于相同的hash值，写进txt文件
step 5: 对于同一个单词，肯定在一个txt文件中，分别统计单词的出现频率
step 6: 制作词云
在这片文章的剩下内容，我将针对这六个步骤进行详细讲解：
tempDir = 'E:/研究生阶段课程作业/python/好玩的数据分析/制作亚马逊200G用户评论词云' #把评论数据分散到这个文件下下面的100个txt文件
pattern = re.compile(r'\w+') #编译正则表达式，把短句转化成list
def hashFile():
temp_path_list = []
for i in range(1,101):
temp_path_list.append(open(tempDir+'/'+str(i)+'.txt',mode='w'))
for each in (gzip.open(r'E:\研究生阶段课程作业\python\zhihu_bigdata\complete.json.gz')):
sentence = eval(each) # turn string to dict
words = sentence['reviewText'] #提取 reviewText
words_list = pattern.findall(words) # example:words:"I love china" to words_list:["I","love","china"]
#print(words_list)
for word in words_list:
if not word.lower() in stopwords and len(word) >= 2: #忽略一些太简单的单词，例如“a”,"an"，把你不想要的的单词全部放在stopwords中。最好是set格式的stopwords。
word = word.lower() #全部为小写单词
print(hash(word)%100) #对单词进行hash，相同的单词一定会hash到同一个文件中
temp_path_list[hash(word)%100].write(word+'\n') #写入文件
for f in temp_path_list:
f.close()
hashFile()
以上的一段代码，首先是遍历100G的数据，提取每一行中的我们感兴趣的部分。然后使用正则表达式，把字符串转化成单词列表，过滤到我们不感兴趣的单词。对剩下的单词进行hash，这样我们可以把相同的单词写到同一个文件中，因为我们的目标是找出出现频率前1000的单词，那么我们只要对这1000个文件，各自找出出现频率在1000以内的单词，在进行排序，即可得出最终的结果。
经过上面的步骤，我们已经把可能相同的单词放在了一个文件中，共计100个文件
下面分别读取每个文件到一个列表中
计算每个列表出现频率最高的1000个单词
最后在找出100个文件中出现频率最高的1000个单词
import os
from collections import Counter
results = Counter() # 初始化
for root, dirs, files in os.walk(r'E:\研究生阶段课程作业\python\好玩的数据分析\制作亚马逊200G用户评论词云'):
for file in files:
with open(os.path.join(root, file)) as f:
words_list = f.readlines()
words_list = list(map(lambda x: x.strip('\n'),words_list))
word_common_1000 = Counter(words_list).most_common(1000)
results.update(word_common_1000)
以上的一段代码，把100个txt里面的单词，分别遍历，找出每个出现频率为1000的单词，全部放在results中
import heapq
words_fren_list = list(results.keys())
words_fren_list_100 = heapq.nlargest(100,words_fren_list,key = lambda x:x[1])
哈哈大功告成，特别提醒一下，这里我是用了一个小的trick，找出出现频率最高的100个单词的时候，我并没有对全部数据进行排序，而是使用了heaapq中的nlarges函数，可以提升不小的效率。
最后根据这些词出现的频率，画出词云。
from wordcloud import WordCloud
wordcloud = WordCloud(max_font_size=40, relative_scaling=.5).fit_words(words_fren_list_100)
import matplotlib.pyplot as plt
plt.imshow(wordcloud)
plt.axis("off")
plt.imshow()
最后的结果如下图所示：
数据挖掘入门与实战
搜索添加微信公众号：datadw
教你机器学习，教你数据挖掘
长按图片，识别二维码，点关注
公众号： weic2c
据分析入门与实战
长按图片，识别二维码，点关注
