京东20W条数据统计清洗分析

最新推荐文章于 2024-10-22 13:22:02 发布

考古学家lx(李玺)

最新推荐文章于 2024-10-22 13:22:02 发布

阅读量6.1k

点赞数 8

分类专栏： # 机器学习

本文链接：https://blog.csdn.net/weixin_43582101/article/details/89300537

版权

机器学习专栏收录该内容

10 篇文章 16 订阅

订阅专栏

Readme:

针对京东商城20W条美的热水器评论数据进行统计清洗分析。
分析出所有正面评论和负面评论。
分词统计热词出现频率。
分析出销售问题所在。

开发环境：

在这里插入图片描述

本项目的文本情感分析使用的是基于情感字典的文本情感分析。
为了能够正确标注一段中文文本的情感。需要如下几个情感字典：
①停用词字典：用于过滤掉一段文本中的噪声词组。
②情感词字典：用于得到一段文本中带有情感色彩的词组及其评分。
③程度副词字典：代表情感词的强烈程度，相当于情感词的权重。
④否定词字典：用于判断其后情感词的意思究竟是好（正极性）还是坏（负极性），若情感词前有否定词，则情感得分-1。
情感字典以及评分通常由手工标注完成，而标注是一项费时又费力的活，因此这四个字典都是由网络搜集而来。

项目文本名称对应内容：{Huizong.csv :“所有评论信息”, meidj_jd.txt:“提取后的评论”,
meidi_jd_process_1.txt:“去重后的评论信息”, meidi_jd_neg.txt：“负面评论信息”， meidi_jd_pos.txt :“”正面评论信息”,stop_list:“停用词表”}

数据采集：

首先要进行数据采集
由于京东商品评论信息是由JS动态加载的。
直接抓取商品详情页的URL并不能获得商品评论的信息。
因此我需要先找到存放商品评论信息的文件。
这里我使用Chrome浏览器里的开发者工具进行查找。
捕获到的接口为：
在这里插入图片描述

2019年5月13日，更新了，需要加上referer。
headers = {
    'Referer': 'https://item.jd.com/2705974.html'}

发现根据更改page的值可以选择对应评论页。
先测试下：
请求一页并提取对应评论信息：
通过requests来测试，发现获取到的content内容：
开头为:‘fetchJSON_comment98vv1204’，结尾为: ’ ); ’
发现content内容不是完整的json格式，所以要把doc的前面25位和后两位去掉；
即：doc_true = json.loads(doc[26:-2])
在这里插入图片描述
然后循环提取comment 即可得到评论内容；把提取到的数据保存到mongodb中。

首先在mongodb中使用去重语句aggregate 来进行集合内去重。
再通过图形界面Navicat来操作Mongodb数据库，进行数据导出。
在这里插入图片描述

保存为csv后，使用pandas提取评论，并保存为meidi_jd.txt；

此时已经提取出了名为meidi_jd.txt的评论文件。
接下来要开始数据清洗工作，先进行数据去重。
我使用了pandas中的unique方法来进行去重，并保存为meidi_jd_process_1.txt；
在这里插入图片描述

可发现，经过unique去重后数据减少了6371条。

数据分词：

ROSTCM6是武汉大学沈阳教授研发编码的国内目前唯一的以辅助人文社会科学研究的大型免费社会计算平台。该软件可以实现微博分析、聊天分析、全网分析、网站分析、浏览分析、分词、词频统计、英文词频统计、流量分析、聚类分析等一系列文本分析。

在这里插入图片描述

通过ROSTCM6工具来提取出正面与负面评价(待分析的文件编码必须是ANSI)。
例：data=pd.read_csv(…) data.to_csv(r’xixi.txt’, encoding=‘ANSI’)
正面情感词：
在这里插入图片描述
负面情感词：

去除标签：
在这里插入图片描述
然后使用结巴分词进行简单分词。

先进行参数初始化，然后通过jieba.cut进行自定义分词函数；
通过“广播”形式分词，加快速度然后保存结果；
通过wordcloud库，生成简单词云图来查看正面情感。

查看负面情感词：

在这里插入图片描述

主题模型：

根据上面的简易词云图，并不能有效的分析出销售问题所在。
所以我开始对分词之后的文档建立主题模型。
在这里插入图片描述

LDA（Latent Dirichlet Allocation）是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。
所谓生成模型，就是说，我们认为一篇文章的每个词都是通过“以一定概率选择了某个主题，并从这个主题中以一定概率选择某个词语”这样一个过程得到。
文档到主题服从多项式分布，主题到词服从多项式分布。
在这里插入图片描述