机器学习项目之实现垃圾邮件处理（1）——数据清洗

摘要：学习了支持向量机算法后想自己用一些数据集来尝试一下，在网络上找了一个垃圾邮件处理的数据集正好适用于支持向量算法，所以在这里不讲算法内容，而是分享我是如何用来实现的。

学习了支持向量机算法后（SVM）想自己用一些数据集来尝试一下，在网络上找了一个垃圾邮件处理的数据集正好适用于SVM支持向量算法，所以在这里不讲SVM算法内容，而是分享我是如何用Python来实现的。
具体数据集：[邮件数据集][1]
[1]: https://pan.baidu.com/s/1ivQmo-04fCa3qVG0SAiUtQ

邮件中有很多中特征值，有些是有用的有些却无法帮助我们判断是否是垃圾邮件，所以这里我们选取其中4个特征值（From,To,Data,Content）。
（1、邮件的内容分析——主要包含：发件人、收件人、发件时间以及邮件的内容）
![分类][3]
（2、是否为垃圾邮件的标签，spam——是垃圾邮件；ham——不是垃圾邮件）

分析：垃圾邮件处理问题是一个**监督学习**，仅用来分类邮件好坏固为**二分类**问题，分类内容为**长文本**。
所有非向量形式的特征工程，首先要转换成向量的形式
该数据集适合很多种模型（贝叶斯，KNN），在这里我用SVM来解决

引入模块常用功能

import os

索引文件(分类标签)读取，该文件中分为两列
第一列：分类标签是否为垃圾邮件（是：spam、否：ham）；
第二列：存放邮件对应文件夹路径，两列之间通过空格分割

def read_index_file(file_path):
    type_dict={"spam":"1","ham":"0"}        #用字典存放分类的垃圾邮件（0/1）
    index_file=open(file_path)
    index_dict={}        #存储分类后得到的结构字典
    
    try:
        for line in index_file:        #按照行来读取
            arr=line.split(" ")        #从每行的第一个空格分开
            
            if len(arr) == 2:
                key,value = arr        #将key和value分别赋值前后两段
            #将value中的数据规整，将../data去掉
            value=value.replace("../data","").replace("
","")
            #将每一个值是1/0对应加入数据字典中
            index_dict[value]=type_dict[key.lower()]        #将spam/ham中可能出现的大写字母换成小写
    finally:
        index_file.close()
    return index_dict   

邮件的文件内容数据读取

def read_file(file_path):
    #打开邮件只读r,编码方式gb2312,错误忽略
    file=open(file_path,"r",encoding="gb2312",errors="ignore")
    content_dict={}
    
    try:
        is_content = False
        for line in file:        #按行读取
            line = line.strip()        #去掉每行的空格
            if line.startswith("From:"):
                #将From：后的内容加入数据字典,将key="from:",value=line[5:]5以后的内容
                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:
                # 邮件内容与上面信息存在着第一个空行，遇到空行时，这里标记为True以便进行下面的邮件内容处理
                # line文件的行为空时是False，不为空时是True
                is_content = True
            #如果这一行是空行表明下一行开始是具体的内容（content）,则开始处理邮件
            if is_content:
                if "content" in content_dict:
                    #如果这一行有内容则加入字典
                    content_dict["content"] += line
                else:
                    #如果这一行没有内容则不加入，继续下一行
                    content_dict["content"] = line
    finally:
        file.close()
 
    return content_dict

3、邮件数据处理(内容的拼接,并用逗号进行分割)

def process_file(file_path):
    content_dict = read_file(file_path)
    
    #进行处理(拼接),get()函数返回指定键的值，指定键的值不存在用指定的默认值unkown代替
    #2，是将需要是数据特征取出来放在键值对中保存，3，则是将所有的特征值合并成，进行拼接
    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、开始进行数据处理——函数调用

## os.listdir    返回指定的文件夹包含的文件或文件夹包含的名称列表
index_dict = read_index_file("../data/full/index")        #调用第一个函数
list0 = os.listdir("../data/data")
#开始打印list0
for l1 in list0:        #循环000-299
    l1_path = "../data/data/" + l1         #l1_path   ../data/data/(215)
    print("开始处理文件夹:"+l1_path)
    list1 = os.listdir(l1_path)        #list1:["000", "001", "002", "003"...."299"]
    #将list1打印出来
    write_file_path = "../data/process01_" + l1        #用这个来存放
    with open(write_file_path,"w",encoding="utf-8") as writer:
        for l2 in list1:        #l2循环000-299
            l2_path = l1_path + "/" + l2        #l2_path = ../data/data/(000-215)/(000-299)
            #这就得到了具体的文件内容，然后进行文件数据的读取
            index_key = "/" + l1 + "/" + l2        #index_key = /(000-215)/(000-299)
            
            if index_key in index_dict:
                #读取数据
                content_str = process_file(l2_path)        #3的函数，用来拼接数据元素，及特征值的合并
                #添加分类标签（0/1），可用逗号隔开
                content_str += "," + index_dict[index_key] + "
"
                #进行数据的输出
                writer.writelines(content_str)

将所有构建好的内容进行合并

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

到这一步数据的清洗就完成了，所有我们需要的特征值都被整合到了一起，并且为邮件做了加上了是否为垃圾邮件的标记。

推荐使用jupyter,注意文件的路径问题，特征工程和后面的分类会在下一篇。