Python中文文本情感分析
今天带大家完成一个中文文本情感分析的机器学习项目，大概的流程如下：
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: return 1 else: return 0 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 import SnowNLP 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: return 1 else: return 0 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
词向量处理后就是这样的：
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 import CountVectorizer
def get_custom_stopwords(stop_words_file):
with open(stop_words_file) as f:
stopwords = f.read()
stopwords_list = stopwords.split('
')
custom_stopwords_list = [i for i in stopwords_list]
return custom_stopwords_list
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 import MultinomialNB 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
讨论和不足
- 样本量少
- 模型没调参
- 没有交叉验证