豆瓣电影评论情感分析（含代码+数据）

文章目录

目的
效果
- 云图
- 直方图
全代码+数据地址
核心代码片断
- data_analysis.py
- data_tfidf.py
- data_apriori.py
- data_kmeans.py

目的

通过分析豆瓣用户电影评论数据，来对不同国家在不同时间内的电影进行情感分析，并通过云图及直方图进行效果展示。

效果

云图

直方图

全代码+数据地址

资源链接 ：https://download.csdn.net/download/zhuqiuhui/85100293

核心代码片断

data_analysis.py

分析随着时间增长，不同国家拍摄的电影类型的变化

with open("data/kmeans.csv", 'r') as outfile:data = csv.reader(outfile)li = []years = []movie_dict = {}country = []for item in data:if(item[11]=='nan'):continueelse:li.append(item[11])years.append(item[3])country.append(item[4])if(item[4] not in movie_dict):movie_dict[item[4]]={item[3]:[item[11]]}else:if(item[3] not in  movie_dict[item[4]]):movie_dict[item[4]][item[3]]=[item[11]]else:movie_dict[item[4]][item[3]].append(item[11])
for k,v in movie_dict.items():for k1,v1 in v.items():movie_dict[k][k1]=Counter(v1).items()

data_tfidf.py

为由用户电影评论构建 tf-idf 模型抽取的关键短语。分为正向关键短语和负向关键短语。

def data_clean(SetPath):corpus_pos = []corpus_neg = []corpus = []result = []feature_list = []with open(SetPath) as file:data = file.readlines()for i, item in enumerate(data):row = item.strip().split("\t")if i == 0 or len(row)<5:continueelse:subdata = row[3]substr = jieba.lcut(subdata, cut_all=False, HMM=True)  # 默认参数if(row[4]=='pos'):corpus_pos.append(" ".join(substr))else:corpus_neg.append(" ".join(substr))corpus.append(" ".join(substr))

data_apriori.py

为由电影风格标签抽取的关联规则

def runApriori(data_iter, minSupport, minConfidence):itemSet, transactionList = getItemSetTransactionList(data_iter)freqSet = defaultdict(int)largeSet = dict()assocRules = dict()oneCSet = returnItemsWithMinSupport(itemSet, transactionList, minSupport, freqSet)currentLSet = oneCSet

data_kmeans.py

通过 kmeans 算法聚类电影。样本通过 one-hot 编码为特征，然后再使用 kmeans 算法聚类。共聚4类，通过云图展示（见效果）

def data_analysis(Setpath):data = pd.read_csv(Setpath,encoding='gbk')  # 读取文件中所有数据X_value = []for cname in data.columns.values:if 'Unnamed' not in cname:X_data  = np.array(data[cname])model = preprocessing.LabelEncoder()model.fit_transform(data[cname])X_reshape = X_data.reshape(len(X_data), 1)X_value.append(preprocessing.OneHotEncoder().fit_transform(X_reshape).toarray())value = np.concatenate(X_value,axis=1)y_pred = KMeans(n_clusters=4, random_state=10).fit_predict(value)data['cluster']= y_pred.tolist()data = np.array(data).tolist()

欢迎如转载，请注明出处！欢迎关注微信公众号：方辰的博客。

豆瓣电影评论情感分析（含代码+数据）相关推荐

基于机器学习的上证指数、东方股吧的股市评论情感分析完整代码数据
视频讲解:基于机器学习的上证指数.东方股吧的股市评论情感分析完整代码数_哔哩哔哩_bilibili 所使用模型LinearSVC,LogisticReg,SGD,MultinomialNB,KNN, ...
MOOC网深度学习应用开发3——Deep Dream、电影评论情感分析
Deep Dream:随机噪点图向目标图转换的过程经典卷积神经网络电影评论情感分析自然语言处理基础知识1 自然语言处理基础知识2--分词自然语言处理基础知识3--词的数字化表示方法和词嵌入电 ...
python电影评论情感分析_20行Tensorflow代码实现电影评论情感分析
原标题:20行Tensorflow代码实现电影评论情感分析背景情感分析有很多的应用场景,比如做一个电商网站,卖家需要时刻关心用户对于商品的评论是否是正面的.再比如做一个电影的宣传和策划,电影在键盘 ...
从爬取豆瓣影评到基于朴素贝叶斯的电影评论情感分析(下)
基于朴素贝叶斯的电影评论情感分析用到的包:pandas.jieba(分词工具) file=open(r"review.txt",'r',encoding='utf-8') rev ...
【自然语言处理（NLP）】基于FNN网络的电影评论情感分析
[自然语言处理(NLP)]基于FNN网络的电影评论情感分析作者简介:在校大学生一枚,华为云享专家,阿里云专家博主,腾云先锋(TDP)成员,云曦智划项目总负责人,全国高等学校计算机教学与产业实践资源建 ...
【Python自然语言处理】使用逻辑回归（logistic）对电影评论情感分析实战（超详细附源码）
需要源码和数据集请点赞关注收藏后评论区留言私信~~~ 一.舆情分析舆情分析很多情况下涉及到用户的情感分析,或者亦称为观点挖掘,是指用自然语言处理技术.文本挖掘以及计算机语言学等方法来正确识别和提取文 ...
Pytorch+Text-CNN+Word2vec+电影评论情感分析实战
文章目录 0.前言 1.电影评论数据集 2.数据读取 3.数据预处理 4.准备训练和测试集 5.加载词向量模型Word2vec 6.定义网络 7.训练网络 8.测试网络和可视化 9.总结 0.前言很 ...
20行代码实现电影评论情感分析
背景情感分析有很多的应用场景,比如做一个电商网站,卖家需要时刻关心用户对于商品的评论是否是正面的.再比如做一个电影的宣传和策划,电影在键盘侠们中的口碑也至关重要.互联网上关于任何一个事件或物品都有可 ...
朴素贝叶斯情感分析评分python_「豆瓣影评」从爬取豆瓣影评到基于朴素贝叶斯的电影评论情感分析(上) - seo实验室...
豆瓣影评一.爬取豆瓣影评基本思路:先获取每个电影的评论区链接,然后依次进入其评论区爬取评论.选取10部电影,每部200条评论. 用到的包为:BeautifulSoup,urllib 这里选取的链接 ...
从爬取豆瓣影评到基于朴素贝叶斯的电影评论情感分析(上)
一.爬取豆瓣影评基本思路:先获取每个电影的评论区链接,然后依次进入其评论区爬取评论.选取10部电影,每部200条评论. 用到的包为:BeautifulSoup,urllib 这里选取的链接为:豆瓣电 ...