2024年练就火眼金睛：Python助你一眼看穿社交媒体中的假新闻！(1)，面试前准备多久

做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。

别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。

我先来介绍一下这些东西怎么用，文末抱走。

---

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

（4）200多本电子书

这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。

基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。

（5）Python知识点汇总

知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。

（6）其他资料

还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。

这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

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！

Pip install sklearn

还需要安装JupyterLab。JupyterLab是一个基于web的工具，用于收集Jupyter数据、代码、笔记本。它具有灵活性，可以自定义它来处理机器学习、科学计算和数据科学中的多个工作流。运行以下命令：

Pip install jupyter lab

安装好了之后，可以在命令提示符中输入以下命令：

C:>jupyterlab

浏览器会打开一个新窗口，转到New à Console。勾选文本框，在这里输入你的代码，按Shift + Enter运行你的命令。

使用什么数据集呢？

我们将使用一个包含7796行和4列的大型数据集。这些列表示：

• 一个标识符

• 新闻标题

• 新闻文本

• 标签（例如，这则新闻是真是假）

从此链接下载数据集：

https://drive.google.com/file/d/1er9NJTLUA3qnRuyhfzuN0XUsoIC4a-_q/view

对社交媒体上的新闻进行事实核查

导入刚刚在JupyterLab控制台中安装的所有库。运行以下代码：

import numpyas ny

importpandas as ps

importitertools

fromsklearn.model_selection import train_test_split

fromsklearn.feature_extraction.text import TfidfVectorizer

fromsklearn.linear_model import PassiveAggressiveClassifier

fromsklearn.metrics import accuracy_score, confusion_matrix

将Excel数据转换为二维数据结构（矩阵），我们需要使用来自pandas的DataFrame，它是一个可以包含异构列的二维数据结构。通过使用shape和head属性可以确定数据集的格式和检查行。运行以下代码：

#Read from the dataset

df=ps.read_csv(‘C:\SocialFactCheckPython\news.csv’)

df.shape

df.head(6)

接着用DataFrame获得真实和虚假的事实。运行以下代码：

#Check the labels

factcheck=df.label

factcheck.head(7)

常见任务是将数据集分为两组：培训和测试。

#Split the dataset

a_train,a_test,b_train,b_test=train_test_split(df[‘text’],factcheck, test_size=0.15, random_state=8)

将TF-IDF Vectorizer初始化。设置英文停止词，并指定最大文档频率为0.65。这表示包含较高文档频率的术语将被删除。

过滤出停止词来进行自然语言处理。TF-IDF Vectorizer用于将一组原始文档转换为具有TF-IDF特性的矩阵。随机状态用于指定随机生成的种子，它确保了分割测试集训练集总是确定的。

使用矢量化工具来适应并转换你的训练集和测试集。用.fit_transform学习词汇表和逆文档频率。作为响应，它会创建term-document矩阵。使用.transform可返回一个term-document矩阵。运行以下代码：

tfidf_vectorizer=TfidfVectorizer(stop_words=’english’,max_df=0.65)

tfidf_train=tfidf_vectorizer.fit_transform(a_train)

tfidf_test=tfidf_vectorizer.transform(a_test)

现在将被动攻击算法初始化，将它安装在tfidf_train和b_train上。TF-IDF Vectorizer将有助于对测试集进行预测，并用sklearn.metrics中的 accuracy score()函数进行事实核查。

在多标签分类中，accuracy score()函数可以用来处理子集的准确率。一个样本中预测的标签必须与另一子集中相应的标签完全匹配。运行以下代码：

pclass=PassiveAggressiveClassifier(max_iter=60)

pclass.fit(tfidf_train,b_train)

b_pred=pclass.predict(tfidf_test)

factcheckscore=accuracy_score(b_test,b_pred)

print(f’Fact-checkAccuracy Is {round(factcheckscore*100,2)}%’)

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

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！