1 # -*- coding: utf-8 -*-
 2 """
 3 Created on Mon Oct  1 12:13:11 2018
 4 
 5 @author: Luove
 6 """
 7 
 8 import os
 9 import pandas as pd
10 import jieba
11 from gensim import corpora, models
12 
13 os.chdir(‘D:\Analyze\Python Matlab\Python\BookCodes\Python数据分析与挖掘实战\图书配套数据、代码\chapter15\demo\code‘)
14 filepath=‘../data/huizong.csv‘
15 data=pd.read_csv(filepath)
16 data.head()
17 data_target=data[[‘评论‘]][data[‘品牌‘]==‘美的‘]
18 #set(data[‘品牌‘])
19 count_1=len(data_target)  # 55774
20 data_target=pd.DataFrame(data_target[‘评论‘].unique())  # 去重后返回时array，需要DataFrame化
21 count_2=len(data_target)  # 53049
22 same_comment_count=count_1-count_2  # 2725,5%
23 
24 inputfile1 = ‘../data/meidi_jd_process_end_负面情感结果.txt‘  # 来之ROSTCM6软件，情感倾向性分析，负面、中性、正面，这里只研究负面、正面
25 inputfile2 = ‘../data/meidi_jd_process_end_正面情感结果.txt‘
26 
27 with open(inputfile1,‘r‘,encoding=‘UTF-8‘) as data1: # 针对含中文名的文件的读取方式，重编码成utf-8
28     data1 = pd.read_csv(data1,header = None) #读入数据
29 with open(inputfile2,‘r‘,encoding=‘UTF-8‘) as data2:
30     data2 = pd.read_csv(data2,header = None) #读入数据    
31 data1 = pd.DataFrame(data1[0].str.replace(‘.*?\d+?\\t ‘, ‘‘)) #用正则表达式修改数据,非贪婪模式:*?,0个或多个非\n字符  +?,1个或多个数字
32 data2 = pd.DataFrame(data2[0].str.replace(‘.*?\d+?\\t ‘, ‘‘))
33 # jieba分词
34 mycut = lambda s: ‘ ‘.join(jieba.cut(s)) #自定义简单分词函数,分词结果通过空格链接
35 data1 = data1[0].apply(mycut) #通过“广播”形式分词，加快速度。
36 data2 = data2[0].apply(mycut)
37 # 去停用词
38 stopfilepath=‘../data/stoplist.txt‘
39 stop = pd.read_csv(stopfilepath, encoding = ‘utf-8‘, header = None, sep = ‘tipdm‘)  # 这里sep分割符 非停用词符均可，这里选的是竞赛站名
40 #sep设置分割词，由于csv默认以半角逗号为分割词，而该词恰好在停用词表中，因此会导致读取出错
41 #所以解决办法是手动设置一个不存在的分割词，如tipdm。
42 stop = [‘ ‘, ‘‘] + list(stop[0]) #Pandas自动过滤了空格符，这里手动添加
43 neg=pd.DataFrame(data1.copy())
44 pos=pd.DataFrame(data2.copy())
45 neg[1] = neg[0].apply(lambda s: s.split(‘ ‘)) #定义一个分割函数，然后用apply广播，每行按空格分隔,每行由str转变为list
46 neg[2] = neg[1].apply(lambda x: [i for i in x if i not in stop]) #逐词判断是否停用词，思路同上
47 pos[1] = pos[0].apply(lambda s: s.split(‘ ‘))
48 pos[2] = pos[1].apply(lambda x: [i for i in x if i not in stop])
49 
50 
51 # =============================================================================
52 # ldamodel = gensim.models.ldamodel.LdaModel(corpus=corpus, num_topics=3, id2word = dictionary, passes=20) 
53 # corpus: 必须。语料库
54 # num_topics: 必须。LDA 模型要求用户决定应该生成多少个主题。由于我们的文档集很小，所以我们只生成三个主题;
55 # id2word：必须。LdaModel 类要求我们之前的 dictionary 把 id 都映射成为字符串;
56 # passes：可选。模型遍历语料库的次数。遍历的次数越多，模型越精确。但是对于非常大的语料库，遍历太多次会花费很长的时间。
57 # 调整模型的主题数和遍历次数对于得到一个好的结果是很重要的
58 # =============================================================================
59 #负面主题分析
60 neg_dict = corpora.Dictionary(neg[2]) #建立词典
61 neg_corpus = [neg_dict.doc2bow(i) for i in neg[2]] #建立语料库
62 neg_lda = models.LdaModel(neg_corpus, num_topics = 3, id2word = neg_dict) #LDA模型训练,一种主题模型，它基于一组文档中的词频生成主题
63 for i in range(3):  # num_topics = 3
64   print(neg_lda.print_topic(i)) #输出每个主题
65 
66 #正面主题分析
67 pos_dict = corpora.Dictionary(pos[2])
68 pos_corpus = [pos_dict.doc2bow(i) for i in pos[2]]
69 pos_lda = models.LdaModel(pos_corpus, num_topics = 3, id2word = pos_dict)
70 for i in range(3):
71   print(pos_lda.print_topic(i)) #输出每个主题
72 print(pos_lda.print_topic(num_topics = 3, num_words = 3))

#负面评价潜在主题
#  聚成3个主题，每个主题下生成10个最可能出现的词及其概率
0.033*"安装" + 0.017*"加热" + 0.014*"买" + 0.012*"美的" + 0.011*"好" + 0.011*"不错" + 0.010*"热水器" + 0.009*"售后" + 0.008*"一个" + 0.007*"速度"
0.037*"安装" + 0.029*"不错" + 0.027*"买" + 0.018*"热水器" + 0.017*"好" + 0.016*"知道" + 0.013*"师傅" + 0.011*"美的" + 0.011*"京东" + 0.010*"送货"
0.049*"安装" + 0.024*"热水器" + 0.011*"师傅" + 0.011*"好" + 0.010*"知道" + 0.008*"有点" + 0.008*"安装费" + 0.007*"n" + 0.006*"使用" + 0.006*"装"
#正面评价潜在主题
0.043*"买" + 0.032*"不错" + 0.024*"好" + 0.022*"美的" + 0.012*"京东" + 0.012*"一个" + 0.012*"加热" + 0.011*"热水器" + 0.010*"热水" + 0.009*"保温"
0.099*"不错" + 0.093*"好" + 0.025*"东西" + 0.020*"挺" + 0.018*"速度" + 0.016*"热水器" + 0.016*"很快" + 0.016*"价格" + 0.015*"加热" + 0.015*"质量"
0.094*"安装" + 0.029*"师傅" + 0.023*"好" + 0.016*"送货" + 0.014*"热水器" + 0.013*"不错" + 0.012*"安装费" + 0.011*"美的" + 0.010*"售后" + 0.008*"很快"
# 从上可以分析主题及其中高频词的特征