朴素贝叶斯实现的是分类预测
资料:https://download.csdn.net/download/sinat_38068807/11224164
(一)目标描述
(1)目标:
爬取用户评论内容后,对评论进行预测,是好评还是差评
预测的前提是有样本能训练预测模型
(2)细节
提取用户评论内容的关键字
方法:
去除停用字后将所有评论放到一个列表中,计算词频,创建词频矩阵
本例将词频矩阵切出前10 条与data['评价']的前十条进行训练,后三条作为测试数据
(二)代码实现
import pandas as pd
import jieba
data = pd.read_csv(r"C:\Users\Administrator\Documents\Tencent Files\1239112948\FileRecv\data.csv",encoding='gbk')
# print(data)
#特征值
column1 = data['内容']
column2= data['评价']
##===========文本数据处理=========
#评论中有的例如语气词不重要,将这些词去除,要用到我们准备好的
#停用词文件,里面都是不重要的词。这样与评论结合,取出评论的关键词
#这里,停用词文件中可能有重复的,先去重。
#处理停用词,注意,先去字符串首尾空,再去重
with open(r'C:\Users\Administrator\Documents\Tencent Files\1239112948\FileRecv\stopwords.txt','r',encoding='utf-8')as fp:
stopwords = fp.readlines()
#去除字符串首尾空值
stopwords_list = list(map(lambda word:word.strip(),stopwords))
#去重
stopwords_list = set(stopwords_list)
#二、对评论分词,然后去除评论中的停用词
comment_list = []#此列表的每一项就是一个关键词提取后的评论
for comment in column1:
#分词
seg_list = jieba.cut(comment,cut_all=False)#精确模式
# print(list(seg_list))#['从', '编程', '小白', '的', '角度看', ',', '入门', '极佳', '。']
#去除停用词
final = '' #连接去除停用词之后的词语
for seg in seg_list:
if seg not in stopwords_list:
final += seg
print('去除停用词之后的句子\n',final)
comment_list.append(final)
print('处理好的评价列表:',comment_list)
#处理好的评价列表: ['编程小白角度看,入门极佳。', '入门书,简洁,适合小白。', '讲解,细节顾及,三个项目受益匪浅。', '前半部分讲概念深入浅出,要言不烦,很赞',
# '一遍写,有个概念', '中规中矩教科书,基础依旧看不懂', '内容太浅显,适合语言编程基础', '破书一本', '适合完完全全小白读,语言经验书', '基础知识写挺', '太基础', '啰嗦。。适合编程经验小白', '真的真的建议买']
##注意这里的逗号句号不影响结果,如果想去掉,可以在
##停用词txt文件里加上
#计算词频
from sklearn.feature_extraction.text import CountVectorizer
#1.计算每个词语出现的次数
vector = CountVectorizer()
X = vector.fit_transform(comment_list)
# print(X)
#2.查看分词之后的关键字
words = vector.get_feature_names()
# print(words)
#3.词频矩阵
print(X.toarray())
##=========朴素贝叶斯分类=============
#1.分割训练集测试集
x_train = X.toarray()[:10]##训练集
x_test = X.toarray()[10:]##测试集
#2.处理标签:1为好评;0为差评
y = list(map(lambda x: 1 if x =='好评' else 0,column2))
print(y)
y_train = y[:10]
y_test = y[10:]
#3.算法实现
from sklearn.naive_bayes import MultinomialNB
clf = MultinomialNB()
clf.fit(x_train, y_train)
#预测
y_predict = clf.predict(x_test)
print('预测结果\n',y_predict)
print('真实结果\n',y_test)