今天我是如何10分钟完成30万售后单问题分类的

柔光的暖阳◎ 2022-12-08 15:57 80阅读 0赞

### 1. 背景 ###

（1）需求，数据分析组要对公司的售后维修单进行分析，筛选出top10，然后对这些问题进行分析与跟踪；

（2）问题，从售后部拿到近2年的售后跟踪单，纯文本描述，30万条左右数据，5个分析人员分工了下，大概需要1-2周左右，才能把top10问题整理出来。

![f87a7eed1ad07b825039803798a7ebed.png][]

（3）**领导来了**，想想法子，通过程序或者算法，把这些问题归下类，统计下热度，弄个top出来，算法后续还会经常用，人工汇总整理太费事了。

（4）**接招**

**需求简单汇总下**：因需要从文本描述性信息中归类出同类信息，数据量比较大，大概20多万，人工效率低，需要算法来实现；

**软件语言简单总结下:** 需要做个文本相似性热度统计算法，统计出那些描述/话，是同一类的问题，再统计下出现的次数，排下序选择出top10；

### 2.选型 ###

（1）选型过程不累赘了，查了很多资料，验证了很多算法（聚类算法、分词算法、热度统计算法等），效果都不太理想，分词算法分的还可以，但是满足不了业务需求，售后单描述内容太多，分词热度统计出来仅仅是个别词的热度，业务上需要看前后语境，效果不理想。

（2）最终使用python语言实现的，网上也有java语言实现， 也验证了下，效果不是太理想，部署还有点麻烦，python语言大的算法是用的gensim结合jieba分词算法实现的，做了一些的完善和改动，效果还不错。（*Gensim*是一个简单高效的自然语言处理Python库,用于抽取文档的语义主题）

### 3.算法说明 ###

30万左右的文本描述数据，一般个人笔记本（4核16g）大概10分钟出结果，并打印出了明细数据，验证了效果。

**文本相似性算法实现介绍**：

**（1）输入文件是excel，数据大概20多万，首先通过pandas获取excel信息，通过jieba分词进行处理，jieba分词要首先自定义词典以及排除信息，这样效果会差异很大，然后形成一个二维数组。**  
**（2）使用gensim 中的corpora模块，将分词形成后的二维数组生成词典**  
**（3）将二维数组通过doc2bow稀疏向量，形成语料库**  
**（4）刚开始使用TF模型算法，后来更改为：LsiModel模型算法，将语料库计算出Tfidf值。**  
**（5）获取词典token2id的特征数**  
**（6）计算稀疏矩阵相似度，建立一个索引**  
**（7）读取excel行数据，通过jieba进行分词处理**  
**（8）通过doc2bow计算测试数据的稀疏向量**  
**（9）求得测试数据与样本数据的相似度**

如果你觉得文章对你有些帮助，欢迎微信搜索「软件老王」第一时间阅读或交流！

**算法说明：**

（1）这里有个点，7-9步会循环执行，针对文档描述列中的每一行，会与在第六步中创建的索引就行比对，会统计与该行相似性超过50%的行数据，同时会将统计到的数据增加个数组中，后续不再执行比对，以免重复统计。  
（2）第一步jieba算法中会用到专业术语词典及stop词典等，7-9部会循环执行，目前相似度阈值设置的为：50%，另外excel操作就不多说了（增加了汇总起来清单的超链，可以导航到清单）  
（3）效率上，20多万的数据，因需要转换向量，大概需要10分钟左右。  
（4）大的算法发是这样的，本次主要介绍整句的热度统计，后续会再介绍下分句分组的统计。

![5c5a5819801bd961872500450da933fd.png][]

### 4. 完整代码及说明 ###

完整代码，有需要的朋友可以直接拿走使用，无套路，代码分了1-6点说明了下。

import jieba.posseg as pseg
    import jieba.analyse
    import xlwt
    import openpyxl
    from gensim import corpora, models, similarities
    import re
    
    #停词函数
    def StopWordsList(filepath):
        wlst = [w.strip() for w in open(filepath, 'r', encoding='utf8').readlines()]
        return wlst
    
    def str_to_hex(s):
        return ''.join([hex(ord(c)).replace('0x', '') for c in s])
    
    # jieba分词
    def seg_sentence(sentence, stop_words):
        stop_flag = ['x', 'c', 'u', 'd', 'p', 't', 'uj', 'f', 'r']
        sentence_seged = pseg.cut(sentence)
        outstr = []
        for word, flag in sentence_seged:
            if word not in stop_words and flag not in stop_flag:
                outstr.append(word)
        return outstr
    
    if __name__ == '__main__':
        #1 这些是jieba分词的自定义词典，软件老王这里添加的格式行业术语，格式就是文档，一列一个词一行就行了，
        # 这个几个词典软件老王就不上传了，可注释掉。
        jieba.load_userdict("g1.txt")
        jieba.load_userdict("g2.txt")
        jieba.load_userdict("g3.txt")
    
        #2 停用词，简单理解就是这次词不分割，这个软件老王找的网上通用的，会提交下。
        spPath = 'stop.txt'
        stop_words = StopWordsList(spPath)
    
        #3 excel处理
        wbk = xlwt.Workbook(encoding='ascii')
        sheet = wbk.add_sheet("软件老王sheet")  # sheet名称
        sheet.write(0, 0, '表头-软件老王1')
        sheet.write(0, 1, '表头-软件老王2')
        sheet.write(0, 2, '导航-链接到明细sheet表')
        wb = openpyxl.load_workbook('软件老王-source.xlsx')
        ws = wb.active
        col = ws['B']
        # 4 相似性处理
        rcount = 1
        texts = []
        orig_txt = []
        key_list = []
        name_list = []
        sheet_list = []
    
        for cell in col:
            if cell.value is None:
                continue
            if not isinstance(cell.value, str):
                continue
            item = cell.value.strip('\n\r').split('\t')  # 制表格切分
            string = item[0]
            if string is None or len(string) == 0:
                continue
            else:
                textstr = seg_sentence(string, stop_words)
                texts.append(textstr)
                orig_txt.append(string)
        dictionary = corpora.Dictionary(texts)
        feature_cnt = len(dictionary.token2id.keys())
        corpus = [dictionary.doc2bow(text) for text in texts]
        tfidf = models.LsiModel(corpus)
        index = similarities.SparseMatrixSimilarity(tfidf[corpus], num_features=feature_cnt)
        result_lt = []
        word_dict = {}
        count =0
        for keyword in orig_txt:
            count = count+1
            print('开始执行，第'+ str(count)+'行')
            if keyword in result_lt or keyword is None or len(keyword) == 0:
                continue
            kw_vector = dictionary.doc2bow(seg_sentence(keyword, stop_words))
            sim = index[tfidf[kw_vector]]
            result_list = []
            for i in range(len(sim)):
                if sim[i] > 0.5:
                    if orig_txt[i] in result_lt and orig_txt[i] not in result_list:
                        continue
                    result_list.append(orig_txt[i])
                    result_lt.append(orig_txt[i])
            if len(result_list) >0:
                word_dict[keyword] = len(result_list)
            if len(result_list) >= 1:
                sname = re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])", "", keyword[0:10])+ '_'\
                        + str(len(result_list)+ len(str_to_hex(keyword))) + str_to_hex(keyword)[-5:]
                sheet_t = wbk.add_sheet(sname)  # Excel单元格名字
                for i in range(len(result_list)):
                    sheet_t.write(i, 0, label=result_list[i])
    
        #5 按照热度排序 -软件老王
        with open("rjlw.txt", 'w', encoding='utf-8') as wf2:
            orderList = list(word_dict.values())
            orderList.sort(reverse=True)
            count = len(orderList)
            for i in range(count):
                for key in word_dict:
                    if word_dict[key] == orderList[i]:
                        key_list.append(key)
                        word_dict[key] = 0
            wf2.truncate()
        #6 写入目标excel
        for i in range(len(key_list)):
            sheet.write(i+rcount, 0, label=key_list[i])
            sheet.write(i+rcount, 1, label=orderList[i])
            if orderList[i] >= 1:
                shname = re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])", "", key_list[i][0:10]) \
                         + '_'+ str(orderList[i]+ len(str_to_hex(key_list[i])))+ str_to_hex(key_list[i])[-5:]
                link = 'HYPERLINK("#%s!A1";"%s")' % (shname, shname)
                sheet.write(i+rcount, 2, xlwt.Formula(link))
        rcount = rcount + len(key_list)
        key_list = []
        orderList = []
        texts = []
        orig_txt = []
        wbk.save('软件老王-target.xls')

**代码说明：**

（1） \#1 是jieba分词的自定义词典，软件老王这里添加的格式行业术语，格式就是文档，就一列，一个词一行就行了， 这个几个行业词典软件老王就不上传了，可注释掉。

jieba.load_userdict("g1.txt")
        jieba.load_userdict("g2.txt")
        jieba.load_userdict("g3.txt")

（2） \#2 停用词，简单理解就是这些词不拆分，这个文件软件老王是从网上找的通用的，也可以不用。

spPath = 'stop.txt'
        stop_words = StopWordsList(spPath)

（3） \#3 excel处理，这里新增了名称为“软件老王sheet”的sheet，表头有三个，分别为“表头-软件老王1”，“表头-软件老王2”，“导航-链接到明细sheet表”，其中“导航-链接到明细sheet表”带超链接，可以导航到明细数据。

wbk = xlwt.Workbook(encoding='ascii')
        sheet = wbk.add_sheet("软件老王sheet")  # sheet名称
        sheet.write(0, 0, '表头-软件老王1')
        sheet.write(0, 1, '表头-软件老王2')
        sheet.write(0, 2, '导航-链接到明细sheet表')
        wb = openpyxl.load_workbook('软件老王-source.xlsx')
        ws = wb.active
        col = ws['B']

（4）\# 4 相似性处理，算法核心就在这里。

rcount = 1
        texts = []
        orig_txt = []
        key_list = []
        name_list = []
        sheet_list = []
        for cell in col:
            if cell.value is None:
                continue
            if not isinstance(cell.value, str):
                continue
            item = cell.value.strip('\n\r').split('\t')  # 制表格切分
            string = item[0]
            if string is None or len(string) == 0:
                continue
            else:
                textstr = seg_sentence(string, stop_words)
                texts.append(textstr)
                orig_txt.append(string)
        dictionary = corpora.Dictionary(texts)
        feature_cnt = len(dictionary.token2id.keys())
        corpus = [dictionary.doc2bow(text) for text in texts]
        tfidf = models.LsiModel(corpus)
        index = similarities.SparseMatrixSimilarity(tfidf[corpus], num_features=feature_cnt)
        result_lt = []
        word_dict = {}
        count =0
        for keyword in orig_txt:
            count = count+1
            print('开始执行，第'+ str(count)+'行')
            if keyword in result_lt or keyword is None or len(keyword) == 0:
                continue
            kw_vector = dictionary.doc2bow(seg_sentence(keyword, stop_words))
            sim = index[tfidf[kw_vector]]
            result_list = []
            for i in range(len(sim)):
                if sim[i] > 0.5:
                    if orig_txt[i] in result_lt and orig_txt[i] not in result_list:
                        continue
                    result_list.append(orig_txt[i])
                    result_lt.append(orig_txt[i])
            if len(result_list) >0:
                word_dict[keyword] = len(result_list)
            if len(result_list) >= 1:
                sname = re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])", "", keyword[0:10])+ '_'\
                        + str(len(result_list)+ len(str_to_hex(keyword))) + str_to_hex(keyword)[-5:]
                sheet_t = wbk.add_sheet(sname)  # Excel单元格名字
                for i in range(len(result_list)):
                    sheet_t.write(i, 0, label=result_list[i])

（5） \#5 按照热度高低排序，主要是对excel数据进行操作。

with open("rjlw.txt", 'w', encoding='utf-8') as wf2:
            orderList = list(word_dict.values())
            orderList.sort(reverse=True)
            count = len(orderList)
            for i in range(count):
                for key in word_dict:
                    if word_dict[key] == orderList[i]:
                        key_list.append(key)
                        word_dict[key] = 0
            wf2.truncate()

（6） \#6 写入目标excel

for i in range(len(key_list)):
            sheet.write(i+rcount, 0, label=key_list[i])
            sheet.write(i+rcount, 1, label=orderList[i])
            if orderList[i] >= 1:
                shname = re.sub(u"([^\u4e00-\u9fa5\u0030-\u0039\u0041-\u005a\u0061-\u007a])", "", key_list[i][0:10]) \
                         + '_'+ str(orderList[i]+ len(str_to_hex(key_list[i])))+ str_to_hex(key_list[i])[-5:]
                link = 'HYPERLINK("#%s!A1";"%s")' % (shname, shname)
                sheet.write(i+rcount, 2, xlwt.Formula(link))
        rcount = rcount + len(key_list)
        key_list = []
        orderList = []
        texts = []
        orig_txt = []
        wbk.save('软件老王-target.xls')

### 5. 效果图 ###

（1）软件老王-source.xlsx，待处理excel文本描述数据。

![f6463dbf5192662b47cc057af7ef842f.png][]

（2）软件老王-target.xls，算法处理好的结果数据。

![2ef19f998148f0790810fc8d16b36212.png][]

（3）简单说明

中间其实遇到不少坑，一是要调算法，二是要对excel进行处理，生成业务想要的结果，好在结果不错，业务很满意，真实数据不太方便公布（其实就是业务售后跟踪单，描述了客户反馈的什么问题，判断是什么问题，最后到底是什么问题，怎么解决的），简单造了一列演示数据，说明了下效果。

--------------------

**更多知识请关注公众号：「软件老王」**，IT技术与相关干货分享，回复关键字获取对应干货！

[f87a7eed1ad07b825039803798a7ebed.png]: /images/20221123/2dd4fece516f4c82a4b81cb5f021e790.png
[5c5a5819801bd961872500450da933fd.png]: /images/20221123/50948daa672947f498bb9fcf2731bd25.png
[f6463dbf5192662b47cc057af7ef842f.png]: /images/20221123/92028129466748e9a8b1db7142556534.png
[2ef19f998148f0790810fc8d16b36212.png]: /images/20221123/78d0f6a56472461591054d4dcdf1d083.png