TextGrocery，更好用的文本分类Python库

古龙说，无论什么东西，最好的都只有一种。经历半年的文本分类实践，我们基本已断定，最好的文本分类算法就是SVM – 支持向量机。
但是纵然知道了天机，新手做文本分类仍然需要学习不少东西，例如算法原理、分词、向量化等等。如果用上scikit-learn这样的庞然大物，更有种高射炮打蚊子的异样感。
有没有可能把最好的文本分类算法，包装成一个超级简单的工具提供给大家？
这是我开发TextGrocery的初衷。

设计原则

幸好，我不是没有参照系。LibShortText打下了一个很好的基础，不仅提供了足够简单的API，而且背后的原理也有扎实的实验数据支撑（不过滤停用词，不过滤词性，使用线性核）。当然，LibShortText也有显著的缺陷：

1. 不支持中文分词，这导致其在中文语料上的表现一塌糊涂
2. Analyzer模块不仅多余，而且输出全部为无格式文本，不可爱
3. 如果不是专业的算法人员，默认参数永远是最好的选择，所以参数的自定义并不是很必要
4. 中间数据的保存全部以文件格式，每次的训练和测试留下一些陌生文件，而且小规模的训练和测试用列表对象会更合适
5. 代码很不Pythonic，也不支持Pypi的简便安装方式

总而言之，LibShorText虽然有引以为傲的技术，但对技术的使用者来说是不友好的。而TextGrocery希望把LibShortText变得更友好一些。

TextGrocery，是一个怎样的杂货铺？

1. 引入结巴分词作为内置的默认分词器
2. 精简LibShortText的代码，去掉Analyzer和参数自定义模块，修复bug，改善PEP8
3. 训练和测试的文本都支持列表传入
4. 提供Pypi的安装方式

示例代码

>>> from tgrocery import Grocery
# 新开张一个杂货铺，别忘了取名！
>>> grocery = Grocery('sample')
# 训练文本可以用列表传入
>>> train_src = [
    ('education', '名师指导托福语法技巧：名词的复数形式'),
    ('education', '中国高考成绩海外认可 是“狼来了”吗？'),
    ('sports', '图文：法网孟菲尔斯苦战进16强 孟菲尔斯怒吼'),
    ('sports', '四川丹棱举行全国长距登山挑战赛 近万人参与')
]
>>> grocery.train(train_src)
# 也可以用文件传入
>>> grocery.train('train_ch.txt')
# 保存模型
>>> grocery.save()
# 加载模型（名字和保存的一样）
>>> new_grocery = Grocery('sample')
>>> new_grocery.load()
# 预测
>>> new_grocery.predict('考生必读：新托福写作考试评分标准')
education
# 测试
>>> test_src = [
    ('education', '福建春季公务员考试报名18日截止 2月6日考试'),
    ('sports', '意甲首轮补赛交战记录:米兰客场8战不败国米10年连胜'),
]
>>> new_grocery.test(test_src)
# 准确率
0.5
# 同样可以用文本传入
>>> new_grocery.test('test_ch.txt')
# 自定义分词器
>>> custom_grocery = Grocery('custom', custom_tokenize=list)

安装

pip install tgrocery

让文本分类更爽一些吧！

GitHub传送门 –> TextGrocery

未完成

1. 训练时仍然要耗费写入.svm的文件再读取的额外I/O时间，下一步希望改成直接通过内存传递
2. LibLinear的输出实际上可以看成一个dict，包含一个样本对所有类别的决策变量，目前仅把值最高的类别取了出来，也许有朋友会想用这个决策变量做一些更有趣的事情。
3. 0.2版本会提供过程数据和结果数据的统计工具

盗火者

普罗米修斯是希腊神话中的一个人物，他从太阳神阿波罗那里盗走火种送给人类，给人类带来的光明，他因此而受到宙斯的处罚，被绑在高加索山，每日忍受风吹日晒和鹫鹰啄食。

希望会有志同道合的同学加入到「盗火者」的行列，一起来让机器学习更简单！