本节涉及自然语言处理（NLP），具体涉及文本数据采集、预处理、分词、去停用词、词频分析、LDA主题模型
代码部分
1 # -*- coding: utf-8 -*- 2 """ 3 Created on Mon Oct 1 12:13:11 2018 4 5 @author: Luove 6 """ 7 8 import os 9 import pandas as pd 10 import jieba 11 from gensim import corpora, models 12 13 os.chdir('D:AnalyzePython MatlabPythonBookCodesPython数据分析与挖掘实战图书配套数据、代码chapter15democode') 14 filepath='../data/huizong.csv' 15 data=pd.read_csv(filepath) 16 data.head() 17 data_target=data[['评论']][data['品牌']=='美的'] 18 #set(data['品牌']) 19 count_1=len(data_target) # 55774 20 data_target=pd.DataFrame(data_target['评论'].unique()) # 去重后返回时array，需要DataFrame化 21 count_2=len(data_target) # 53049 22 same_comment_count=count_1-count_2 # 2725,5% 23 24 inputfile1 = '../data/meidi_jd_process_end_负面情感结果.txt' # 来之ROSTCM6软件，情感倾向性分析，负面、中性、正面，这里只研究负面、正面 25 inputfile2 = '../data/meidi_jd_process_end_正面情感结果.txt' 26 27 with open(inputfile1,'r',encoding='UTF-8') as data1: # 针对含中文名的文件的读取方式，重编码成utf-8 28 data1 = pd.read_csv(data1,header = None) #读入数据 29 with open(inputfile2,'r',encoding='UTF-8') as data2: 30 data2 = pd.read_csv(data2,header = None) #读入数据 31 data1 = pd.DataFrame(data1[0].str.replace('.*?d+?\t ', '')) #用正则表达式修改数据,非贪婪模式:*?,0个或多个非 字符 +?,1个或多个数字 32 data2 = pd.DataFrame(data2[0].str.replace('.*?d+?\t ', '')) 33 # jieba分词 34 mycut = lambda s: ' '.join(jieba.cut(s)) #自定义简单分词函数,分词结果通过空格链接 35 data1 = data1[0].apply(mycut) #通过“广播”形式分词，加快速度。 36 data2 = data2[0].apply(mycut) 37 # 去停用词 38 stopfilepath='../data/stoplist.txt' 39 stop = pd.read_csv(stopfilepath, encoding = 'utf-8', header = None, sep = 'tipdm') # 这里sep分割符 非停用词符均可，这里选的是竞赛站名 40 #sep设置分割词，由于csv默认以半角逗号为分割词，而该词恰好在停用词表中，因此会导致读取出错 41 #所以解决办法是手动设置一个不存在的分割词，如tipdm。 42 stop = [' ', ''] + list(stop[0]) #Pandas自动过滤了空格符，这里手动添加 43 neg=pd.DataFrame(data1.copy()) 44 pos=pd.DataFrame(data2.copy()) 45 neg[1] = neg[0].apply(lambda s: s.split(' ')) #定义一个分割函数，然后用apply广播，每行按空格分隔,每行由str转变为list 46 neg[2] = neg[1].apply(lambda x: [i for i in x if i not in stop]) #逐词判断是否停用词，思路同上 47 pos[1] = pos[0].apply(lambda s: s.split(' ')) 48 pos[2] = pos[1].apply(lambda x: [i for i in x if i not in stop]) 49 50 51 # ============================================================================= 52 # ldamodel = gensim.models.ldamodel.LdaModel(corpus=corpus, num_topics=3, id2word = dictionary, passes=20) 53 # corpus: 必须。语料库 54 # num_topics: 必须。LDA 模型要求用户决定应该生成多少个主题。由于我们的文档集很小，所以我们只生成三个主题; 55 # id2word：必须。LdaModel 类要求我们之前的 dictionary 把 id 都映射成为字符串; 56 # passes：可选。模型遍历语料库的次数。遍历的次数越多，模型越精确。但是对于非常大的语料库，遍历太多次会花费很长的时间。 57 # 调整模型的主题数和遍历次数对于得到一个好的结果是很重要的 58 # ============================================================================= 59 #负面主题分析 60 neg_dict = corpora.Dictionary(neg[2]) #建立词典 61 neg_corpus = [neg_dict.doc2bow(i) for i in neg[2]] #建立语料库 62 neg_lda = models.LdaModel(neg_corpus, num_topics = 3, id2word = neg_dict) #LDA模型训练,一种主题模型，它基于一组文档中的词频生成主题 63 for i in range(3): # num_topics = 3 64 print(neg_lda.print_topic(i)) #输出每个主题 65 66 #正面主题分析 67 pos_dict = corpora.Dictionary(pos[2]) 68 pos_corpus = [pos_dict.doc2bow(i) for i in pos[2]] 69 pos_lda = models.LdaModel(pos_corpus, num_topics = 3, id2word = pos_dict) 70 for i in range(3): 71 print(pos_lda.print_topic(i)) #输出每个主题 72 print(pos_lda.print_topic(num_topics = 3, num_words = 3))
主题分析结果
#负面评价潜在主题 # 聚成3个主题，每个主题下生成10个最可能出现的词及其概率 0.033*"安装" + 0.017*"加热" + 0.014*"买" + 0.012*"美的" + 0.011*"好" + 0.011*"不错" + 0.010*"热水器" + 0.009*"售后" + 0.008*"一个" + 0.007*"速度" 0.037*"安装" + 0.029*"不错" + 0.027*"买" + 0.018*"热水器" + 0.017*"好" + 0.016*"知道" + 0.013*"师傅" + 0.011*"美的" + 0.011*"京东" + 0.010*"送货" 0.049*"安装" + 0.024*"热水器" + 0.011*"师傅" + 0.011*"好" + 0.010*"知道" + 0.008*"有点" + 0.008*"安装费" + 0.007*"n" + 0.006*"使用" + 0.006*"装" #正面评价潜在主题 0.043*"买" + 0.032*"不错" + 0.024*"好" + 0.022*"美的" + 0.012*"京东" + 0.012*"一个" + 0.012*"加热" + 0.011*"热水器" + 0.010*"热水" + 0.009*"保温" 0.099*"不错" + 0.093*"好" + 0.025*"东西" + 0.020*"挺" + 0.018*"速度" + 0.016*"热水器" + 0.016*"很快" + 0.016*"价格" + 0.015*"加热" + 0.015*"质量" 0.094*"安装" + 0.029*"师傅" + 0.023*"好" + 0.016*"送货" + 0.014*"热水器" + 0.013*"不错" + 0.012*"安装费" + 0.011*"美的" + 0.010*"售后" + 0.008*"很快" # 从上可以分析主题及其中高频词的特征
Ref：
《数据分析与挖掘实战》：源代码及数据需要可自取：https://github.com/Luove/Data