摘要：學(xué)習(xí)了支持向量機(jī)算法后想自己用一些數(shù)據(jù)集來嘗試一下，在網(wǎng)絡(luò)上找了一個(gè)垃圾郵件處理的數(shù)據(jù)集正好適用于支持向量算法，所以在這里不講算法內(nèi)容，而是分享我是如何用來實(shí)現(xiàn)的。

學(xué)習(xí)了支持向量機(jī)算法后（SVM）想自己用一些數(shù)據(jù)集來嘗試一下，在網(wǎng)絡(luò)上找了一個(gè)垃圾郵件處理的數(shù)據(jù)集正好適用于SVM支持向量算法，所以在這里不講SVM算法內(nèi)容，而是分享我是如何用Python來實(shí)現(xiàn)的。
具體數(shù)據(jù)集：[郵件數(shù)據(jù)集][1]
[1]: https://pan.baidu.com/s/1ivQmo-04fCa3qVG0SAiUtQ

郵件中有很多中特征值，有些是有用的有些卻無法幫助我們判斷是否是垃圾郵件，所以這里我們選取其中4個(gè)特征值（From,To,Data,Content）。
（1、郵件的內(nèi)容分析——主要包含：發(fā)件人、收件人、發(fā)件時(shí)間以及郵件的內(nèi)容）
![分類][3]
（2、是否為垃圾郵件的標(biāo)簽，spam——是垃圾郵件；ham——不是垃圾郵件）

分析：垃圾郵件處理問題是一個(gè)**監(jiān)督學(xué)習(xí)**，僅用來分類郵件好壞固為**二分類**問題，分類內(nèi)容為**長文本**。
所有非向量形式的特征工程，首先要轉(zhuǎn)換成向量的形式
該數(shù)據(jù)集適合很多種模型（貝葉斯，KNN），在這里我用SVM來解決

引入模塊常用功能

import os

索引文件(分類標(biāo)簽)讀取，該文件中分為兩列
第一列：分類標(biāo)簽是否為垃圾郵件（是：spam、否：ham）；
第二列：存放郵件對(duì)應(yīng)文件夾路徑，兩列之間通過空格分割

def read_index_file(file_path):
    type_dict={"spam":"1","ham":"0"}        #用字典存放分類的垃圾郵件（0/1）
    index_file=open(file_path)
    index_dict={}        #存儲(chǔ)分類后得到的結(jié)構(gòu)字典
    
    try:
        for line in index_file:        #按照行來讀取
            arr=line.split(" ")        #從每行的第一個(gè)空格分開
            
            if len(arr) == 2:
                key,value = arr        #將key和value分別賦值前后兩段
            #將value中的數(shù)據(jù)規(guī)整，將../data去掉
            value=value.replace("../data","").replace("
","")
            #將每一個(gè)值是1/0對(duì)應(yīng)加入數(shù)據(jù)字典中
            index_dict[value]=type_dict[key.lower()]        #將spam/ham中可能出現(xiàn)的大寫字母換成小寫
    finally:
        index_file.close()
    return index_dict   

郵件的文件內(nèi)容數(shù)據(jù)讀取

def read_file(file_path):
    #打開郵件只讀r,編碼方式gb2312,錯(cuò)誤忽略
    file=open(file_path,"r",encoding="gb2312",errors="ignore")
    content_dict={}
    
    try:
        is_content = False
        for line in file:        #按行讀取
            line = line.strip()        #去掉每行的空格
            if line.startswith("From:"):
                #將From：后的內(nèi)容加入數(shù)據(jù)字典,將key="from:",value=line[5:]5以后的內(nèi)容
                content_dict["from:"]=line[5:]
            elif line.startswith("To:"):
                content_dict["to:"]=line[3:]
            elif line.startswith("Date:"):
                content_dict["date:"]=line[5:]
            elif not line:
                # 郵件內(nèi)容與上面信息存在著第一個(gè)空行，遇到空行時(shí)，這里標(biāo)記為True以便進(jìn)行下面的郵件內(nèi)容處理
                # line文件的行為空時(shí)是False，不為空時(shí)是True
                is_content = True
            #如果這一行是空行表明下一行開始是具體的內(nèi)容（content）,則開始處理郵件
            if is_content:
                if "content" in content_dict:
                    #如果這一行有內(nèi)容則加入字典
                    content_dict["content"] += line
                else:
                    #如果這一行沒有內(nèi)容則不加入，繼續(xù)下一行
                    content_dict["content"] = line
    finally:
        file.close()
 
    return content_dict

3、郵件數(shù)據(jù)處理(內(nèi)容的拼接,并用逗號(hào)進(jìn)行分割)

def process_file(file_path):
    content_dict = read_file(file_path)
    
    #進(jìn)行處理(拼接),get()函數(shù)返回指定鍵的值，指定鍵的值不存在用指定的默認(rèn)值unkown代替
    #2，是將需要是數(shù)據(jù)特征取出來放在鍵值對(duì)中保存，3，則是將所有的特征值合并成，進(jìn)行拼接
    result_str = content_dict.get("from","unkown").replace(",","").strip()+","
    result_str += content_dict.get("to:","unkown").replace(",","").strip()+","
    result_str += content_dict.get("date:","unkown").replace(",","").strip()+","
    result_str += content_dict.get("content","unkown").replace(",","").strip()
    return result_str

4、開始進(jìn)行數(shù)據(jù)處理——函數(shù)調(diào)用

## os.listdir    返回指定的文件夾包含的文件或文件夾包含的名稱列表
index_dict = read_index_file("../data/full/index")        #調(diào)用第一個(gè)函數(shù)
list0 = os.listdir("../data/data")
#開始打印list0
for l1 in list0:        #循環(huán)000-299
    l1_path = "../data/data/" + l1         #l1_path   ../data/data/(215)
    print("開始處理文件夾:"+l1_path)
    list1 = os.listdir(l1_path)        #list1:["000", "001", "002", "003"...."299"]
    #將list1打印出來
    write_file_path = "../data/process01_" + l1        #用這個(gè)來存放
    with open(write_file_path,"w",encoding="utf-8") as writer:
        for l2 in list1:        #l2循環(huán)000-299
            l2_path = l1_path + "/" + l2        #l2_path = ../data/data/(000-215)/(000-299)
            #這就得到了具體的文件內(nèi)容，然后進(jìn)行文件數(shù)據(jù)的讀取
            index_key = "/" + l1 + "/" + l2        #index_key = /(000-215)/(000-299)
            
            if index_key in index_dict:
                #讀取數(shù)據(jù)
                content_str = process_file(l2_path)        #3的函數(shù)，用來拼接數(shù)據(jù)元素，及特征值的合并
                #添加分類標(biāo)簽（0/1），可用逗號(hào)隔開
                content_str += "," + index_dict[index_key] + "
"
                #進(jìn)行數(shù)據(jù)的輸出
                writer.writelines(content_str)

將所有構(gòu)建好的內(nèi)容進(jìn)行合并

with open("../data/result_process01","w",encoding="utf-8") as writer:
    #將所有內(nèi)容合并到result_process01中
    for l1 in list0:
        file_path = "../data/process01_" + l1
        print("開始合并文件:" + file_path)
        
        with open(file_path, encoding="utf-8") as file:
            for line in file:
                writer.writelines(line)

到這一步數(shù)據(jù)的清洗就完成了，所有我們需要的特征值都被整合到了一起，并且為郵件做了加上了是否為垃圾郵件的標(biāo)記。

推薦使用jupyter,注意文件的路徑問題，特征工程和后面的分類會(huì)在下一篇。