前言

前文给大家说了python机器学习的路径，这光说不练假把式，这次，罗罗攀就带大家完成一个中文文本情感分析的机器学习项目，今天的流程如下：

数据情况和处理

数据情况

这里的数据为大众点评上的评论数据(王树义老师提供)，主要就是评论文字和打分。我们首先读入数据，看下数据的情况：import numpy as np

import pandas as pd

data = pd.read_csv('data1.csv')

data.head

情感划分

对star字段看唯一值，打分有1，2，4，5。

中文文本情感分析属于我们的分类问题(也就是消极和积极)，这里是分数，那我们设计代码，让分数小于3的为消极(0)，大于3的就是积极(1)。

定义一个函数，然后用apply方法，这样就得到了一个新列(数据分析里的知识点)def make_label(star):

if star >3:

return1

else:

return0

data['sentiment']= data.star.apply(make_label)

工具包(snownlp)

我们首先不用机器学习方法，我们用一个第三库(snownlp)，这个库可以直接对文本进行情感分析(记得安装)，使用方法也是很简单。返回的是积极性的概率。from snownlp importSnowNLP

text1 ='这个东西不错'

text2 ='这个东西很垃圾'

s1 =SnowNLP(text1)

s2 =SnowNLP(text2)

print(s1.sentiments,s2.sentiments)

# result 0.8623218777387431 0.21406279508712744

这样，我们就定义大于0.6，就是积极的，同样的方法，就能得到结果。def snow_result(comemnt):

s =SnowNLP(comemnt)

if s.sentiments >=0.6:

return1

else:

return0

data['snlp_result']= data.comment.apply(snow_result)

上面前五行的结果看上去很差(5个就2个是对的)，那到底有多少是对的了？我们可以将结果与sentiment字段对比，相等的我就计数，这样在除以总样本，就能看大概的精度了。counts =0

for i in range(len(data)):

if data.iloc[i,2]== data.iloc[i,3]:

counts+=1

print(counts/len(data))

# result 0.763

朴素贝叶斯

前面利用第三库的方法，结果不是特别理想(0.763)，而且这种方法存在一个很大的弊端：针对性差。

什么意思了？我们都知道，不同场景下，语言表达都是不同的，例如这个在商品评价中有用，在博客评论中可能就不适用了。

所以，我们需要针对这个场景，训练自己的模型。本文将使用sklearn实现朴素贝叶斯模型(原理在后文中讲解)。slearn小抄先送上(下文有高清下载地址)。

大概流程为：导入数据

切分数据

数据预处理

训练模型

测试模型

jieba分词

首先，我们对评论数据分词。为什么要分词了？中文和英文不一样，例如：i love python，就是通过空格来分词的；我们中文不一样，例如：我喜欢编程，我们要分成我/喜欢/编程(通过空格隔开)，这个主要是为了后面词向量做准备。import jieba

def chinese_word_cut(mytext):

return' '.join(jieba.cut(mytext))

data['cut_comment']= data.comment.apply(chinese_word_cut)

划分数据集

分类问题需要x(特征)，和y(label)。这里分词后的评论为x，情感为y。按8:2的比例切分为训练集和测试集。X = data['cut_comment']

y = data.sentiment

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=22)

词向量(数据处理)

电脑是没法识别文字的，只能识别数字。那文本怎么处理了，最简单的就是词向量。什么是词向量，我们通过一个案例来说明下，下面是我们的文本：I love the dog

I hate the dog

简单的说，词向量就是我们将整个文本出现的单词一一排列，然后每行数据去映射到这些列上，出现的就是1，没出现就是0，这样，文本数据就转换成了01稀疏矩阵(这也是上文中文分词的原因，这样一个词就是一个列)。

好在，sklearn中直接有这样的方法给我们使用。CountVectorizer方法常用的参数：max_df：在超过这一比例的文档中出现的关键词(过于平凡)，去除掉。

min_df：在低于这一数量的文档中出现的关键词(过于独特)，去除掉。

token_pattern：主要是通过正则处理掉数字和标点符号。

stop_words：设置停用词表，这样的词我们就不会统计出来(多半是虚拟词，冠词等等)，需要列表结构，所以代码中定义了一个函数来处理停用词表。from sklearn.feature_extraction.text importCountVectorizer

def get_custom_stopwords(stop_words_file):

with open(stop_words_file)as f:

stopwords = f.read

stopwords_list = stopwords.split('\n')

custom_stopwords_list =[i for i in stopwords_list]

return

stop_words_file ='哈工大停用词表.txt'

stopwords = get_custom_stopwords(stop_words_file)

vect =CountVectorizer(max_df =0.8,

min_df =3,

token_pattern=u'(?u)\\b[^\\d\\W]\\w+\\b',

stop_words=frozenset(stopwords))

如果想看到底出来的是什么数据，可通过下面代码查看。test = pd.DataFrame(vect.fit_transform(X_train).toarray, columns=vect.get_feature_names)

test.head

训练模型

训练模型，很简单，用的是朴素贝叶斯算法，结果为0.899，比之前的snownlp好很多了。from sklearn.naive_bayes importMultinomialNB

nb =MultinomialNB

X_train_vect = vect.fit_transform(X_train)

nb.fit(X_train_vect, y_train)

train_score = nb.score(X_train_vect, y_train)

print(train_score)

# result 0.899375

测试数据

当然，我们需要测试数据来验证精确度了，结果为0.8275，精度还是不错的。X_test_vect = vect.transform(X_test)

print(nb.score(X_test_vect, y_test))

# result 0.8275

当然，我们也可以将结果放到data数据中：X_vec = vect.transform(X)

nb_result = nb.predict(X_vec)

data['nb_result']= nb_result

样本量少

模型没调参

没有交叉验证

代码下载：https://github.com/panluoluo/crawler-analysis，下载完整数据和代码。