【干货】--基于Python的文本情感分类

前言

---

      在上一期《​​【干货】--手把手教你完成文本情感分类​​》中我们使用了R语言对酒店评论数据做了情感分类，基于网友的需求，这里再使用Python做一下复现。关于步骤、理论部分这里就不再赘述了，感兴趣的可以前往上面提到的文章查看。下面给出Python的具体代码。

Python代码

---

# 导入第三包import jiebafrom sklearn.feature_extraction.text import TfidfVectorizerfrom sklearn.naive_bayes import GaussianNBfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.cross_validation import train_test_split 
from sklearn import metricsimport pandas as pdimport matplotlib.pyplot as plt# 读入评论数据evaluation = pd.read_excel('Hotel Evaluation.xlsx',sheetname=1)# 展示数据前5行evaluation.head()

# 读入自定义词with open('all_words.txt', encoding='UTF-8') as words:
    my_words = [i.strip() for i in words.readlines()]# 将自定义词加入到jieba分词器中for word in my_words:
    jieba.add_word(word)# 读入停止词with open('mystopwords.txt', encoding='UTF-8') as words:
    stop_words = [i.strip() for i in words.readlines()]# 基于切词函数，构造自定义函数def cut_word(sentence):
    words = [i for i in jieba.cut(sentence) if i not in stop_words]    # 切完的词用空格隔开
    result = ' '.join(words)    return(result)

上面代码所做的工作是将用户自定义词设置到jieba分词器中，同时，构造切词的自定义函数，添加的附加功能是删除停用词。

# TFIDF权重(根据词频，选出高频的20个词)tfidf = TfidfVectorizer(max_features=20)# 文档词条矩阵dtm = tfidf.fit_transform(words).toarray()# 矩阵的列名称columns = tfidf.get_feature_names()# 将矩阵转换为数据框--即X变量X = pd.DataFrame(dtm, columns=columns)# 情感标签变量y = evaluation.Emotion# 将数据集拆分为训练集和测试集X_train,X_test,y_train,y_test = train_test_split(X,y,train_size = 0.8, random_state=1)

使用TFIDF权重构造文档词条矩阵，注意，这里根据词频选择了最高频的20个词，作为矩阵的列数。

# 朴素贝叶斯模型nb = GaussianNB()# 建模fit = nb.fit(X_train,y_train)# 预测pred = fit.predict(X_test)# 测试集上的准确率accuracy = metrics.accuracy_score(y_test,pred)
print(accuracy)

通过构建朴素贝叶斯模型，得到的样本测试集准确率约为70%。

# 模型优度的可视化展现fpr, tpr, _ = metrics.roc_curve(y_test, pred,pos_label=2)
auc = metrics.auc(fpr, tpr)# 中文和负号的正常显示plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False# 设置绘图风格plt.style.use('ggplot')# 绘制ROC曲线plt.plot(fpr, tpr,'k-')# 绘制参考线plt.plot((0,1),(0,1),'r--')# 添加文本注释plt.text(0.5,0.5,'ROC=%.2f' %auc)# 设置坐标轴标签和标题plt.title('朴素贝叶斯模型的AUC曲线')
plt.xlabel('1-specificity')
plt.ylabel('Sensitivity')# 去除图形顶部边界和右边界的刻度plt.tick_params(top='off', right='off')# 图形显示plt.show()

# 随机森林模型rf = RandomForestClassifier()# 建模fit2 = rf.fit(X_train,y_train)# 预测pred2 = fit2.predict(X_test)# 测试集上的准确率accuracy2 = metrics.accuracy_score(y_test,pred2)
print(accuracy2)

# 模型优度的可视化展现fpr2, tpr2, _ = metrics.roc_curve(y_test, pred2,pos_label=2)
auc2 = metrics.auc(fpr2, tpr2)# 中文和负号的正常显示plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False# 设置绘图风格plt.style.use('ggplot')# 绘制ROC曲线plt.plot(fpr2, tpr2,'k-')# 绘制参考线plt.plot((0,1),(0,1),'r--')# 添加文本注释plt.text(0.5,0.5,'ROC=%.2f' %auc2)# 设置坐标轴标签和标题plt.title('随机森林模型的AUC曲线')
plt.xlabel('1-specificity')
plt.ylabel('Sensitivity')# 去除图形顶部边界和右边界的刻度plt.tick_params(top='off', right='off')# 图形显示plt.show()

结语

---

上面的方法是通过构造DFIDF权重的文档词条矩阵（词袋法）。如果你的文本非常大的话，使用这种方法会导致“词汇鸿沟”，即形成非常庞大的矩阵（而且还是稀疏矩阵），就会吃掉电脑的很多内存。而且这种方法还不能考虑到词与词之间的逻辑顺序。为了克服这个问题，科学家想出了词向量、文档向量等方法，后期我也会把这部分内容的理论和实战给大家做一个分享。如果你有任何问题，欢迎在公众号的留言区域表达你的疑问。同时，也欢迎各位朋友继续转发与分享文中的内容，让更多的人学习和进步。

关注“每天进步一点点2015”，与小编一同进步！