reviews = reviews[[‘content’, ‘content_type’]].drop_duplicates()
content = reviews[‘content’]
reviews
可以看到有17条重复数据已经被删除
通过人工观察数据发现,评论中夹杂着许多数字与字母，对于本案例的挖掘目标而言，这类数据本身并没有实质性帮助。另外，由于该评论文本数据主要是围绕京东商城中韶音 AfterShokz Aeropex AS800骨传导蓝牙耳机进行评价的，**其中“京东”“京东商城”“韶音”“耳机”“蓝牙耳机”等词出现的频数很大，但是对分析目标并没有什么作用，**因此可以在分词之前将这些词去除，对数据进行清洗
去除去除英文、数字等
由于评论中不重要词语
strinfo = re.compile(‘[0-9a-zA-Z]|京东|京东商城|韶音|耳机|蓝牙耳机|’)
content=result[‘评价内容’]
content = content.apply(lambda x: strinfo.sub(‘’, x))
content
字段已经去除
分词
-
分词是文本信息处理的基础环节，是将一个单词序列切分成单个单词的过程。汉语的基本单位是字，由字可以组成词，由词可以组成句子，进而由一些句子组成段、节、章、篇。可见，如果需要处理一篇中文语料，从中正确地识别出词是一件非常基础且重要的工作。然而，中文以字为基本书写单位，词与词之间没有明显的区分标记。
-
当使用基于词典的中文分词方法进行中文信息处理时，不得不考虑未登录词的处理。未登录词是指词典中没有登录过的人名、地名、机构名、译名及新词语等。当采用匹配的办法来切分词语时，由于词典中没有登录这些词，会引起自动切分词语的困难。常见的未登陆词有命名实体，如“张三”“北京”“联想集团”“酒井法子”等;专业术语，如“贝叶斯算法”“模态”“万维网”;新词语，如“卡拉 OK”“美刀”“啃老族”等。另外，中文分词还存在切分歧义问题，如“当结合成分子时”这个句子可以有以下切分方法:“当/结合/成分/子时”“当/结合/成/分子/时”“当/结/合成/分子/时”“当/结/合成分/子时”等。可以说，中文分词的关键问题为切分歧义的消解和未登录词的识别。分词最常用的工作包是jieba分词包,jieba分词是Python写成的一个分词开源库，专门用于中文分词。
停用词
- **停用词( Stop Words)，词典译为“电脑检索中的虚字、非检索用字”。在SEO搜索引擎中，为节省存储空间和提高搜索效率，搜索引擎在索引页面或处理搜索请求时会自动忽略某些字或词,这些字或词即被称为停用词。**通常来讲，停用词大体可以分为两类，一种是使用过于广泛和频繁的词语，比如英文的i、is,中文的“我”“你”等等，另一种是出现频率很高，但是意义不大的词，这种单词一般包括语气助词、副词、介词、连词等等，自身本身并无意义，在经过分词后，评论由一个字符串的形式转换成了多个由文字或词语组成的字符串形式，用来判断评论中的词语是否是停用词。
分词
worker = lambda s: [(x.word, x.flag) for x in psg.cut(s)] # 自定义简单分词函数
seg_word = content.apply(worker)
将词语转为数据框形式，一列是词，一列是词语所在的句子ID，最后一列是词语在该句子的位置
n_word = seg_word.apply(lambda x: len(x)) # 每一评论中词的个数
n_content = [[x+1]*y for x,y in zip(list(seg_word.index), list(n_word))]
index_content = sum(n_content, []) # 将嵌套的列表展开，作为词所在评论的id
seg_word = sum(seg_word, [])
word = [x[0] for x in seg_word] # 词
nature = [x[1] for x in seg_word] # 词性
content_type = [[x]*y for x,y in zip(list(reviews[‘content_type’]), list(n_word))]
content_type = sum(content_type, []) # 评论类型
result = pd.DataFrame({“index_content”:index_content,
“word”:word,
“nature”:nature,
“content_type”:content_type})
删除标点符号
result = result[result[‘nature’] != ‘x’] # x表示标点符号
删除停用词
stop_path = open(“…/data/stoplist.txt”, ‘r’,encoding=‘UTF-8’)
stop = stop_path.readlines()
stop = [x.replace(‘\n’, ‘’) for x in stop]
word = list(set(word) - set(stop))
result = result[result[‘word’].isin(word)]
构造各词在对应评论的位置列
n_word = list(result.groupby(by = [‘index_content’])[‘index_content’].count())
index_word = [list(np.arange(0, y)) for y in n_word]
index_word = sum(index_word, []) # 表示词语在改评论的位置
合并评论id，评论中词的id，词，词性，评论类型
result[‘index_word’] = index_word
result
处理后表格样式
提取含有名词的评论
- 由于本次分析的目标是对产品特征的优缺点进行分析，**类似“不错，很好的产品”“很不错，继续支持”等评论虽然表达了对产品的情感倾向，但是实际上无法根据这些评论提取出哪些产品特征是用户满意的。**评论中只有出现明确的名词，如机构团体及其他专有名词时，才有意义，因此需要对分词后的词语进行词性标注。之后再根据词性将含有名词类的评论提取出来。jieba关于词典词性标记，采用ICTCLAS 的标记方法，对于词性标注大家可以看：ICTCLAS汉语词性标注集
提取评论中词性含有**“n”(名词）**的评论，
提取含有名词类的评论
ind = result[[‘n’ in x for x in result[‘nature’]]][‘index_content’].unique()
result = result[[x in ind for x in result[‘index_content’]]]
词云图绘制
进行数据预处理后，可绘制词云查看分词效果，词云会将文本中出现频率较高的“关键词”予以视觉上的突出。首先需要对词语进行词频统计，将词频按照降序排序，选择前100个词，使用wordcloud模块中的WordCloud绘制词云，查看分词效果（常用字体代码）
import matplotlib.pyplot as plt
from wordcloud import WordCloud
frequencies = result.groupby(by = [‘word’])[‘word’].count()
frequencies = frequencies.sort_values(ascending = False)
backgroud_Image=plt.imread(‘…/data/pl.jpg’)
wordcloud = WordCloud(font_path=“simkai.ttf”,
max_words=100,
background_color=‘white’,
mask=backgroud_Image)
my_wordcloud = wordcloud.fit_words(frequencies)
plt.imshow(my_wordcloud)
plt.axis(‘off’)
plt.show()
从生成的词云图中可以初步判断用户比较在意的是音质、质感、续航、舒适度等关键词
五、 数据分析
=======
评论数据情感倾向分析
匹配情感词
-
情感倾向也称为情感极性。在某商品评论中，可以理解为用户对该商品表达自身观点所持的态度是支持、反对还是中立，即通常所指的正面情感、负面情感、中性情感。对评论情感倾向进行分析首先要对情感词进行匹配，使用知网发布的“情感分析用词语集 ( beta版)"中的“中文正面评价”词表、“中文负面评价”“中文正面情感”“中文负面情感”词表等。将“中文正面评价”“中文正面情感”两个词表合并，并给每个词语赋予初始权重1，作为正面评论情感词表。将“中文负面评价”“中文负面情感”两个词表合并，并给每个词语赋予初始权重-1，作为负面评论情感词表。
-
读入正负面评论情感词表，正面词语赋予初始权重1，负面词语赋予初始权重-1，使用merge函数按照词语情感词表与分词结果进行匹配。
import pandas as pd
import numpy as np
word = pd.read_csv(“…/tmp/result.csv”)
读入正面、负面情感评价词
pos_comment = pd.read_csv(“…/data/正面评价词语（中文）.txt”, header=None,sep=“\n”,
encoding = ‘utf-8’, engine=‘python’)
neg_comment = pd.read_csv(“…/data/负面评价词语（中文）.txt”, header=None,sep=“\n”,
encoding = ‘utf-8’, engine=‘python’)
pos_emotion = pd.read_csv(“…/data/正面情感词语（中文）.txt”, header=None,sep=“\n”,
encoding = ‘utf-8’, engine=‘python’)
neg_emotion = pd.read_csv(“…/data/负面情感词语（中文）.txt”, header=None,sep=“\n”,
encoding = ‘utf-8’, engine=‘python’)
合并情感词与评价词
positive = set(pos_comment.iloc[:,0])|set(pos_emotion.iloc[:,0])
negative = set(neg_comment.iloc[:,0])|set(neg_emotion.iloc[:,0])
intersection = positive&negative # 正负面情感词表中相同的词语
positive = list(positive - intersection)
negative = list(negative - intersection)
positive = pd.DataFrame({“word”:positive,
“weight”:[1]*len(positive)})
negative = pd.DataFrame({“word”:negative,
“weight”:[-1]*len(negative)})
posneg = positive.append(negative)
将分词结果与正负面情感词表合并，定位情感词
data_posneg = posneg.merge(word, left_on = ‘word’, right_on = ‘word’,
how = ‘right’)
data_posneg = data_posneg.sort_values(by = [‘index_content’,‘index_word’])
修正情感倾向
- 情感倾向修正主要根据情感词前面两个位置的词语是否存在否定词而去判断情感值的正确与否，由于汉语中存在多重否定现象，即当否定词出现奇数次时，表示否定意思;当否定词出现偶数次时，表示肯定意思。按照汉语习惯，搜索每个情感词前两个词语,若出现奇数否定词，则调整为相反的情感极性。
根据情感词前时候有否定词或双层否定词对情感值进行修正
载入否定词表
notdict = pd.read_csv(“…/data/not.csv”)
处理否定修饰词
data_posneg[‘amend_weight’] = data_posneg[‘weight’] # 构造新列，作为经过否定词修正后的情感值
data_posneg[‘id’] = np.arange(0, len(data_posneg))
only_inclination = data_posneg.dropna() # 只保留有情感值的词语
only_inclination.index = np.arange(0, len(only_inclination))
index = only_inclination[‘id’]
for i in np.arange(0, len(only_inclination)):
review = data_posneg[data_posneg[‘index_content’] ==
only_inclination[‘index_content’][i]] # 提取第i个情感词所在的评论
更新只保留情感值的数据
only_inclination = only_inclination.dropna()
计算每条评论的情感值
emotional_value = only_inclination.groupby([‘index_content’],
as_index=False)[‘amend_weight’].sum()
去除情感值为0的评论
emotional_value = emotional_value[emotional_value[‘amend_weight’] != 0]
使用wordcloud包下的 WordCloud 函数分别对正面评论和负面评论绘制词云，以查看情感分析效果。
给情感值大于0的赋予评论类型（content_type）为pos,小于0的为neg
emotional_value[‘a_type’] = ‘’
emotional_value[‘a_type’][emotional_value[‘amend_weight’] > 0] = ‘pos’
emotional_value[‘a_type’][emotional_value[‘amend_weight’] < 0] = ‘neg’
查看情感分析结果
result = emotional_value.merge(word,
left_on = 'index_content',
right_on = 'index_content',
how = 'left')
result = result[[‘index_content’,‘content_type’, ‘a_type’]].drop_duplicates()
confusion_matrix = pd.crosstab(result[‘content_type’], result[‘a_type’],
margins=True) # 制作交叉表
(confusion_matrix.iat[0,0] + confusion_matrix.iat[1,1])/confusion_matrix.iat[2,2]
提取正负面评论信息
ind_pos = list(emotional_value[emotional_value[‘a_type’] == ‘pos’][‘index_content’])
ind_neg = list(emotional_value[emotional_value[‘a_type’] == ‘neg’][‘index_content’])
posdata = word[[i in ind_pos for i in word[‘index_content’]]]
negdata = word[[i in ind_neg for i in word[‘index_content’]]]
绘制词云
import matplotlib.pyplot as plt
from wordcloud import WordCloud
正面情感词词云
freq_pos = posdata.groupby(by = [‘word’])[‘word’].count()
freq_pos = freq_pos.sort_values(ascending = False)
backgroud_Image=plt.imread(‘…/data/pl.jpg’)
wordcloud = WordCloud(font_path=“simkai.ttf”,
max_words=100,
background_color='white',
mask=backgroud_Image)
pos_wordcloud = wordcloud.fit_words(freq_pos)
plt.imshow(pos_wordcloud)
plt.axis(‘off’)
plt.show()
负面情感词词云
freq_neg = negdata.groupby(by = [‘word’])[‘word’].count()
freq_neg = freq_neg.sort_values(ascending = False)
neg_wordcloud = wordcloud.fit_words(freq_neg)
plt.imshow(neg_wordcloud)
plt.axis(‘off’)
plt.show()
将结果写出,每条评论作为一行
posdata.to_csv(“…/tmp/posdata.csv”, index = False, encoding = ‘utf-8’)
negdata.to_csv(“…/tmp/negdata.csv”, index = False, encoding = ‘utf-8’)
可以看到在正面情感评论词云图中可以发现：“不错”、“喜欢”、“满意”、“舒服”等词出现的词频较高，且没有出现负面情感的词语。从负面情感评论中可以发现：“做工”、“客服”、“差”等出现词频较高，没有发现掺杂正面情感的词语，由此可以正面通过词表来分析文本的情感程度是有效的。
LDA模型进行主题分析
-
主题模型在自然语言处理等领域是用来在一系列文档中发现抽象主题的一种统计模型。判断两个文档相似性的传统方法是通过查看两个文档共同出现的单词的多少，如TF(词频)、TF-IDF(词频—逆向文档频率)等，这种方法没有考虑文字背后的语义关联，例如，两个文档共同出现的单词很少甚至没有，但两个文档是相似的，**因此在判断文档相似性时，需要使用主题模型进行语义分析并判断文档相似性。**如果一篇文档有多个主题，则一些特定的可代表不同主题的词语就会反复出现，此时，运用主题模型，能够发现文本中使用词语的规律，并且把规律相似的文本联系到一起，以寻求非结构化的文本集中的有用信息。
-
LDA主题模型：潜在狄利克雷分配，即LDA模型（Latent Dirichlet Allocation,LDA)是由Blei等人于2003年提出的生成式主题模型生成模型，即认为每一篇文档的每一个词都是通过“一定的概率选择了某个主题，并从这个主题中以一定的概率选择了某个词语”。LDA模型也被称为3层贝叶斯概率模型，包含文档(d)、主题(z)、词(w)3层结构，能够有效对文本进行建模，和传统的空间向量模型（VSM)相比，增加了概率的信息。通过LDA主题模型，能够挖掘数据集中的潜在主题，进而分析数据集的集中关注点及其相关特征词。
-
LDA主题模型是一种无监督的模式，**只需要提供训练文档，就可以自动训练出各种概率，无须任何人工标注过程，节省了大量的人力及时间。**它在文本聚类、主题分析、相似度计算等方面都有广泛的应用。相对于其他主题模型，其引人了狄利克雷先验知识。因此，模型的泛化能力较强，不易出现过拟合现象，建立LDA主题模型，首先要建立词典及语料库
import pandas as pd
import numpy as np
import re
import itertools
import matplotlib.pyplot as plt
载入情感分析后的数据
posdata = pd.read_csv(“…/data/posdata.csv”, encoding = ‘utf-8’)
negdata = pd.read_csv(“…/data/negdata.csv”, encoding = ‘utf-8’)
from gensim import corpora, models
建立词典
pos_dict = corpora.Dictionary([[i] for i in posdata[‘word’]]) # 正面
neg_dict = corpora.Dictionary([[i] for i in negdata[‘word’]]) # 负面
建立语料库
pos_corpus = [pos_dict.doc2bow(j) for j in [[i] for i in posdata[‘word’]]] # 正面
neg_corpus = [neg_dict.doc2bow(j) for j in [[i] for i in negdata[‘word’]]] # 负面
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。
深知大多数大数据工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！
因此收集整理了一份《2024年大数据全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上大数据开发知识点，真正体系化！
由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新
如果你觉得这些内容对你有帮助，可以添加VX：vip204888 （备注大数据获取）
一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
够帮助到想自学提升又不知道该从何学起的朋友。**
[外链图片转存中…(img-7Yoy6iuX-1712985465952)]
[外链图片转存中…(img-tyZyWXZf-1712985465952)]
[外链图片转存中…(img-YiTOWDVJ-1712985465953)]
[外链图片转存中…(img-xZdlQIkr-1712985465953)]
[外链图片转存中…(img-TMtR2YGg-1712985465953)]
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上大数据开发知识点，真正体系化！
由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新
如果你觉得这些内容对你有帮助，可以添加VX：vip204888 （备注大数据获取）
[外链图片转存中…(img-PL3gfMLf-1712985465954)]
一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
