天池比赛——用户情感可视化分析

前言

一、读取数据，查看基本情况并做数据预处理

引入相关库

读取数据，基础分析数据

空值处理，数据映射

对评论进行分词分析

二、词云可视化

三、柱状图

四、热力图

总结

前言

这是一个天池里的教学赛，整体没什么难度，主要是对pandas，基本的数据分析的练习。

题目主要内容如下

词云可视化（评论中的关键词，不同情感的词云）
柱状图（不同主题，不同情感，不同情感词）
相关性系数热力图（不同主题，不同情感，不同情感词）

其中数据源主要如下

字段名称	类型	描述	说明
content_id	Int	数据ID	/
content	String	文本内容	/
subject	String	主题	提取或依据上下文归纳出来的主题
sentiment_value	Int	情感分析	分析出的情感
sentiment_word	String	情感词	情感词

下面直接分析数据并完成内容

一、读取数据，查看基本情况并做数据预处理

当得到一个数据的时候，我们应该对数据包含什么信息，数据中是否有缺省值，某些列值有什么取值等情况进行查看

引入相关库

import numpy as np
import pandas as pd
from pylab import *
import matplotlib.pyplot as plt
import seaborn as sns
import jieba

读取数据，基础分析数据

#读取数据
df = pd.read_csv('./data/earphone_sentiment.csv')
#查看数据前几行信息
df.head()

#查看数据基本信息
print(df.info())
print("----------------")
#查看数据缺指信息
print(df.isnull().sum())
print("----------------")
print(df['sentiment_word'].unique())
print("----------------")
print(df['sentiment_value'].value_counts())

输出如下，这里主要分析了表格中缺省值和 sentiment_word这一列的取值，因为我们这里分析主要也是针对情感词来进行分析的（这个比赛比较简单还在与直接给出了情感词）

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 17176 entries, 0 to 17175
Data columns (total 5 columns):#   Column           Non-Null Count  Dtype
---  ------           --------------  ----- 0   content_id       17176 non-null  int64 1   content          17176 non-null  object2   subject          17176 non-null  object3   sentiment_word   4966 non-null   object4   sentiment_value  17176 non-null  int64
dtypes: int64(2), object(3)
memory usage: 671.1+ KB
None
----------------
content_id             0
content                0
subject                0
sentiment_word     12210
sentiment_value        0
dtype: int64
----------------
dtype: int640    122101     4376
-1      590
Name: sentiment_value, dtype: int64
----------------
不评价    12210
好       3302
不错       569
差        415
强        244
牛        133
垃圾        32
高级        31
追求        26
呵呵        24
难听        22
骗         21
噪音        16
用心        16
舒适        16
疼         14
音染        14
水准        12
轰         10
精致         7
惊艳         7
良心         7
无语         6
无奈         5
不舒服        4
小巧         3
充足         3
上当         2
辣鸡         2
模糊         2
混浊         1
Name: sentiment_word, dtype: int64

空值处理，数据映射

由输出的数据可以分析出，我们可以根据sentiment_value的值对sentiment_word进行划分为3类，分别为0对于没有评价，我们这里当作是中性评价，1对于好评，-1对应差评。所以再做以下数据预处理——填上空值，对sentiment_value做映射

# 填上空值
df['sentiment_word'].fillna('不评价', inplace=True)
# 将sentiment_value映射
map_sentiment_value = {-1: '差评', 0: '中评', 1: '好评'}
df['sentiment_value'] = df['sentiment_value'].map(map_sentiment_value)

做个关于情感词和主题之间的透视表，可以很直观的看出，每个主题中好评，差评，中评的情况

# 做sentiment_value的透视表
df_pivot_table = df.pivot_table(index='subject', columns='sentiment_value', values='sentiment_word',aggfunc=np.count_nonzero)df_r_pivot_tabel = df.pivot_table(index='sentiment_value', columns='subject', values='sentiment_word',aggfunc=np.count_nonzero)

sentiment_value    中评    好评   差评
subject
价格                495   256   42
其他               9493  2837  326
功能                 83    63   10
外形                 85    68    5
舒适                 10    37   22
配置               1452   759  121
音质                592   356   64
subject           价格    其他  功能  外形  舒适    配置   音质
sentiment_value
中评               495  9493  83  85  10  1452  592
好评               256  2837  63  68  37   759  356
差评                42   326  10   5  22   121   64

对评论进行分词分析

我们还需要对数据中content评论部分进行分析，而评论中有许多不必要的内容，我们就需要对此分词并去除停用词（也就是一些连接词，以帮助我们分析)，对评论分词，主要应用jieba这个分词包。停用词用的是常用的中文停用词。在下面链接中可以获取。

中文常用停用词表

stopwords = []
with open('./data/mStopwords.txt', encoding='utf-8') as f:for line in f:stopwords.append(line.strip('\n').split()[0])# 切词
rows, cols = df.shape
cutwords = []
for i in range(rows):content = df['content'][i]g_cutword = jieba.cut_for_search(content)cutword = [x for x in g_cutword if (len(x) > 1) and x not in stopwords]cutwords.append(cutword)s1 = pd.Series(cutwords)
df['cutwords'] = s1
print(s1.value_counts())

用jieba这个包，很容易将分词搞定，结果如下。

0                      [Silent, Angel, 期待, 光临, 共赏, 美好, 声音]
1        [HD650, 1k, 失真, 声道, 左声道, 声道, 右声道, 左右, 超出, 官方, ...
2                                [达音科, 17, 周年, 数据, 好看, 便宜]
3               [bose, beats, apple, 消費者, 根本, 知道, 有曲線, 存在]
4                                                 [不错, 数据]...
17171                        [3000, 价位, hd650, S7, 更好, 耳放]
17172                          [hd800, 爆皮, 正常, 根线, 这种, 忧虑]
17173     [焊接, 一下, 就行了, 820, 原线, 全新, 800s, 原线, 99, 盒子, 没动]
17174                                             [赶紧, 出手]
17175           [sommer, 参考, diy, 两米, 成本, 600, 左右, 吊打, 原线]

由于我们还要做不同情感的分析，所以我们根据sentiment_value的值，将表格划分为差评，中评和好评三个表。

# 根据情感划分切词
df_pos = df.loc[df['sentiment_value'] == '好评'].reset_index(drop=True)
df_neu = df.loc[df['sentiment_value'] == '中评'].reset_index(drop=True)
df_neg = df.loc[df['sentiment_value'] == '差评'].reset_index(drop=True)

这里基本的预处理就结束了，也对数据有了一个直观的了解，后面就通过一些手段可视化上面的结果。

二、词云可视化

想利用词云可视化，主要是利用WordCloud这个开源包，这个包直接用pip安装有可能会出现问题，所以这部分我直接在百度的AIstudio上跑了。

这个库用起来也比较简单，只需要设定自己需要的txt文件和图案，调个包就好了。

里面的图片都是上网随便找的黑白图

pos_txt = '/'.join(np.concatenate(pos_df['cutwords']))
neg_txt = '/'.join(np.concatenate(neg_df['cutwords']))
neu_txt = '/'.join(np.concatenate(neu_df['cutwords']))
neu_mask = imread('./data/neu.png')
pos_mask = cv.imread('./data/pos.png')
neg_mask = cv.imread('./data/neg.png')
# 绘制好评词云
pos_wc = WordCloud(font_path='./data/simhei.ttf',background_color='white',mask=pos_mask).generate(pos_txt)
neg_wc = WordCloud(font_path='./data/simhei.ttf',background_color='white',mask=neg_mask).generate(neg_txt)
neu_wc = WordCloud(font_path='./data/simhei.ttf',background_color='white',mask=neu_mask).generate(neu_txt)plt.subplot(1,3,1)
plt.imshow(pos_wc)
plt.title("Postive wordcloud")
plt.axis('off')
plt.subplot(1,3,2)
plt.imshow(neu_wc)
plt.axis('off')
plt.title("Neutural wordcloud")
plt.subplot(1,3,3)
plt.imshow(neg_wc)
plt.title("Negative wordcloud")
plt.axis('off')
plt.show()

三、柱状图

柱状图主要分析不同主题下，不同情感评论的评论数，来看用户重点关注的地方是什么。

# 直接对透视表使用绘图即可
df_pivot_table.plot.bar()
for x, y in enumerate(df_pivot_table['中评'].values):plt.text(x - 0.2, y, str(y), horizontalalignment='right')
for x, y in enumerate(df_pivot_table['好评'].values):plt.text(x, y, str(y), horizontalalignment='center')
for x, y in enumerate(df_pivot_table['差评'].values):plt.text(x + 0.2, y, str(y), horizontalalignment='left')
plt.title('不同主题，不同情感评论数')
plt.ylabel('评论数')
plt.show()

可以看到用户多集中在价格，配置和音质上评论，其他方面比较多评论。

然后我们可以看看在褒义词和贬义词中比较多的评论在说什么

# 取出褒义词和贬义词中的评论列
pos_word = df_pos['sentiment_word'].value_counts()
neg_word = df_neg['sentiment_word'].value_counts()pos_word.plot.barh()
for x, y in enumerate(pos_word):plt.text(y, x, str(y), horizontalalignment='left')
plt.xlabel('评论数')
plt.title('褒义词评论词统计')
plt.show()neg_word.plot.barh()
for x, y in enumerate(neg_word):plt.text(y, x, str(y), horizontalalignment='left')
plt.xlabel('评论数')
plt.title('贬义词评论词统计')
plt.show()

四、热力图

热力图的绘制，主要是来看耳机不同的方面的相关系数，主要调用seaborn这个包，对pandas也是兼容非常好。

# 热力图
sns.heatmap(df_r_pivot_tabel.corr(), annot=True)
plt.title('不同主题相关系数热力图')
plt.show()

显然，舒适感，和其他的方面都成负相关的关系，而其他功能上基本都呈正相关关系。

总结

一个对于学习pandas和一些可视化，非常好的比赛。