我们使用的用 迈尔斯布里格斯类型(MBTI人格)标注的数据集。
一共有4个维度,每个维度有两个类型,所以常人的性格从MBTI指标来看,一共有16种性格。
读取数据
mbti数据集中有两个字段
type: 性格类型
posts: 每个用户的最近的50条推文,推文与推文之间用
|||
间隔开
先查看前5行数据
import pandas as pd
import warnings
warnings.filterwarnings('ignore')
df = pd.read_csv('data/mbti.csv')
df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8675 entries, 0 to 8674
Data columns (total 2 columns):
type 8675 non-null object
posts 8675 non-null object
dtypes: object(2)
memory usage: 135.7+ KB
mbti数据集一共有8675条数据
数据探索
这里我计算出每个推文的长度(没啥大用,复习apply和seaborn可视化)
df['words_per_comment'] = df['posts'].apply(lambda x: len(x.split()))/50
df['posts'] = df['posts'].apply(lambda x:x.lower())
df.head()
小提琴图show一下各个性格的wordspercomment信息
import seaborn as sns
import matplotlib.pyplot as plt
#画布设置及尺寸
sns.set(style='white', font_scale=1.5)
plt.figure(figsize=(15, 10))
#绘制小提琴图
sns.violinplot(x='type',
y='words_per_comment',
data=df,
color='lightgray')
#绘制分类三点图,叠加到小提琴图图层上方
sns.stripplot(x='type',
y='words_per_comment',
data=df,
size=2,
jitter=True)
#标题及y轴名
plt.title('The Violin Plot of Words Per Comment', size=18)
plt.ylabel('Words Per Comment')
#显示
plt.show()
分割数据
将数据集分为训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(df['posts'], df['type'],
test_size=0.2,
random_state=123)
文本向量化
机器不理解文本,需要先编码为数字,这里使用tfidf方法进行编码。不熟悉的可以看看这个介绍
from sklearn.feature_extraction.text import TfidfVectorizer
tfidf = TfidfVectorizer(stop_words='english')
X_train = tfidf.fit_transform(X_train)
X_test = tfidf.transform(X_test)
训练模型及模型得分
这里我选来三种模型,使用score得分评价模型表现
from sklearn.linear_model import LogisticRegression
model1 = LogisticRegression()
model1.fit(X_train, y_train)
model1.score(X_test, y_test)
0.6357348703170029
from sklearn.linear_model import SGDClassifier
model2 = SGDClassifier()
model2.fit(X_train, y_train)
model2.score(X_test, y_test)
0.6824207492795389
from sklearn.linear_model import Perceptron
model3 = Perceptron()
model3.fit(X_train, y_train)
model3.score(X_test, y_test)
0.5994236311239193
找到的这个数据集标注的可能有问题,如果是经典的数据集,一般跑出来都能达到80+%的准确率。
近期文章
情绪及色彩词典获取方式,请在公众号后台回复关键词“20191226” ,
如果想做文本分析