码迷,mamicode.com
首页 > 其他好文 > 详细

kesci---2019大数据挑战赛预选赛---情感分析

时间:2019-05-26 19:54:49      阅读:220      评论:0      收藏:0      [点我收藏+]

标签:方法   mos   基于   ann   mat   model   tags   预测   article   

一、预选赛题------文本情感分类模型

       本预选赛要求选手建立文本情感分类模型,选手用训练好的模型对测试集中的文本情感进行预测,判断其情感为「Negative」或者「Positive」。所提交的结果按照指定的评价指标使用在线评测数据进行评测,达到或超过规定的分数线即通过预选赛。

二、比赛数据

训练集数据:(6328个样本)

技术图片

测试集数据(2712个样本)

技术图片

评价方法:AUC

三、分析

1、加载模块

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import re
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import f1_score
from sklearn.feature_extraction.text import TfidfTransformer,TfidfVectorizer

2、数据读取

train_data = pd.read_csv(./data/train.csv,engine = python)
test_data = pd.read_csv(./data/20190520_test.csv)

3、数据预处理

 test_data.info()  ###可以看到有5个缺失值。

   ###缺失值处理

train_data = train_data.dropna (axis=0,subset = [label])

  ###标签数据处理,label转成(0,1)

train_data[label] = train_data[label].replace(to_replace=[Positive, Negative], value=[0, 1])

 ###评论数据处理

    1、去除一些【标点符号、数字、特殊符号、等】
2、分词,去除句子的空格前缀(strip),单词最小化(lower)
3、去除一些【短词】和【停用词】,大多数太短的词起不到什么作用,比如‘pdx’,‘his’,‘all’。
4、提取词干,将不同但同义的词转化成相同的词,如loves,loving,lovable变成love
###评论数据处理
def filter_fun(line):
    #表示将data中的除了大小写字母之外的符号换成空格,去除一些标点符号、特征符号、数字等
    line = re.sub(r[^a-zA-Z], ,line)
    ##单词小写化
    line = line.lower()
    return line

train_data[review] = train_data[review].apply(filter_fun)
test_data[review] = test_data[review].apply(filter_fun)
##把空格前缀去除
train_data[review] = train_data[review].str.strip()  
test_data[review] = test_data[review].str.strip()

##删除短单词
train_data[review] = train_data[review].apply(lambda x: .join([w for w in x.split() if len(w) > 3]))
test_data[review] = test_data[review].apply(lambda x: .join([w for w in x.split() if len(w) > 3]))

##分词
train_data[review] = train_data[review].str.split()
test_data[review] = test_data[review].str.split()

 

##提取词干,即基于规则从单词中去除后缀的过程。例如,play,player,played,plays,playing都是play的变种。
from nltk.stem.porter import *
stemmer =PorterStemmer()
train_data[review] = train_data[review].apply(lambda x: [stemmer.stem(i) for i in x])
test_data[review] = test_data[review].apply(lambda x: [stemmer.stem(i) for i in x])

train_data[review] = train_data[review].apply(lambda x:" ".join(x))
test_data[review] = test_data[review].apply(lambda x:" ".join(x))

 

########################以下部分可以不处理##################

3、数据分析

在这次比赛中数据分析没起什么作用,因为评论做了脱敏处理。

####################################
1、数据集中最常见的单词有哪些?【可采用词云】
2、数据集上表述积极和消极的常见词汇有哪些?【可采用词云】
3、评论一般有多少主题标签?
4、我的数据集跟哪些趋势相关?
5、哪些趋势跟情绪相关?他们和情绪是吻合的吗?
   6、词长与频次的关系【画柱状图,此次代码中平均词长为15】

#使用 词云 来了解评论中最常用的词汇
all_words =  .join([text for text in combi[review]])
from wordcloud import WordCloud
wordcloud = WordCloud(width=800, height=500, random_state=21, max_font_size=110).generate(all_words) 
plt.figure(figsize=(10, 7))
plt.imshow(wordcloud, interpolation="bilinear")
plt.axis(off)
plt.show()

技术图片

# 积极数据
positive_words = .join([text for text in combi[review][combi[label] == 0]]) 
wordcloud = WordCloud(width=800, height=500, random_state=21, max_font_size=110).generate(positive_words)
plt.figure(figsize=(10, 7))
plt.imshow(wordcloud, interpolation="bilinear")
plt.axis(off)
plt.show()

# 消极数据
negative_words =  .join([text for text in combi[review][combi[label] == 1]]) 
wordcloud = WordCloud(width=800, height=500,random_state=21, max_font_size=110).generate(negative_words)
plt.figure(figsize=(10, 7))
plt.imshow(wordcloud, interpolation="bilinear")
plt.axis(off)
plt.show()

def hashtag_extract(x):    
    hashtags = []    # Loop over the words in the tweet    
    for i in x:        
        ht = re.findall(r"#(\w+)", i)        
        hashtags.append(ht)     
    return hashtags


# extracting hashtags from non racist/sexist tweets
HT_positive = hashtag_extract(combi[review][combi[label] == 0]) 
# extracting hashtags from racist/sexist tweets
HT_negative = hashtag_extract(combi[review][combi[label] == 1]) 
# unnesting list
HT_positive = sum(HT_positive,[])
HT_negative = sum(HT_negative,[])

# 画积极标签
a = nltk.FreqDist(HT_positive)
d = pd.DataFrame({Hashtag: list(a.keys()),Count: list(a.values())})
# selecting top 10 most frequent hashtags     
d = d.nlargest(columns="Count", n = 10)     
#前十
plt.figure(figsize=(16,5))
ax = sns.barplot(data=d, x= "Hashtag", y = "Count")
ax.set(ylabel = Count)
plt.show()

# 画消极标签
b = nltk.FreqDist(HT_negative)
e = pd.DataFrame({Hashtag: list(b.keys()),Count: list(b.values())})
# selecting top 10 most frequent 
hashtagse = e.nlargest(columns="Count", n = 10)   
plt.figure(figsize=(16,5))
ax = sns.barplot(data=e, x= "Hashtag", y = "Count")
ax.set(ylabel = Count)
plt.show()

技术图片

技术图片

##数据分析
def split_word(s):
    return len(s.split())
train_data[word_length] = train_data[review].apply(split_word)
sum_len , nums ,maxnum , minnum = sum(train_data[word_length]) , len(train_data[word_length]) , max(train_data[word_length]) ,min(train_data[word_length])
print("all words number: {0} , mean word length : {1} ,max word length: {2} and min: {3} ".format(sum_len , sum_len // nums , maxnum,minnum))


##评论词长---频次
plt.xlabel(length)
plt.ylabel(frequency)
plt.hist(train_data[word_length],bins = 150)
plt.axis([0,100,0,800])
plt.show()

 技术图片

 

 #######################################################3

4、模型

  训练模型----两部分(文本特征提取、文本分类)

    1、文本特征提取:词袋模型、TF_IDF、word_embbeding
2、文本分类:逻辑回归、SVM、贝叶斯、LSTM、textCNN等

【在这次预选赛中,效果最好的是 TF_IDF + 贝叶斯 ----0.86】
【试了 词袋模型 + LR 和 TF_IDF + LR(这两种效果最差)、词袋模型 + 贝叶斯 (效果一般)----0.84、TF_IDF + 贝叶斯(效果最好)】

(1)文本特征提取: 

  ①词袋模型

#构建词袋模型
from sklearn.feature_extraction.text import CountVectorizer
bow_vectorizer = CountVectorizer(max_df=0.30, max_features=8200, stop_words=english) 
X_train = bow_vectorizer.fit_transform(train_data[review])
X_test = bow_vectorizer.fit_transform(test_data[review])
print(test_data.describe()) 
print(X_train.toarray())

  ②TF-IDF模型

#####TF-IDF模型
ngram = 2
vectorizer = TfidfVectorizer(sublinear_tf=True,ngram_range=(1, ngram), max_df=0.5)

X_all = train_data[review].values.tolist() + test_data[review].values.tolist() # Combine both to fit the TFIDF vectorization.
lentrain = len(train_data)

vectorizer.fit(X_all)
X_all = vectorizer.transform(X_all)

X_train = X_all[:lentrain] # Separate back into training and test sets. 
X_test = X_all[lentrain:]

(2)文本分类模型

  ①逻辑回归

# 逻辑回归构建模型 

#切分训练集和测试集
# xtrain_bow, xvalid_bow, ytrain, yvalid = train_test_split(X_train, train_data[‘label‘], random_state=42, test_size=0.3)
X_train_part,X_test_part,y_train_part,y_test_part = train_test_split(X_train,train_data[label],test_size = 0.2)
# 使用词袋模型特征集合构建模型

lreg = LogisticRegression()
lreg.fit(X_train_part, y_train_part)  
prediction = lreg.predict_proba(X_test_part) 
# predicting on the validation set
prediction_int = prediction[:,1] >= 0.3
prediction_int = prediction_int.astype(np.int)
print("回归f",f1_score(y_test_part, prediction_int)) # calculating f1 score
fpr, tpr, thresholds = roc_curve(y_test_part, prediction_int)
print(回归auc,auc(fpr, tpr))

test_pred = lreg.predict_proba(X_test)

print("这里P:",test_pred)

保存测试结果

print(test_pred.size)
test_pred_int = test_pred[:,1]    #提取我们需要预测的test的label列
print(test_pred_int.size)    #看看进过模型预测后的长度是否有变化 
print(pd.DataFrame(test_data,columns=["ID"]).size)     #看看原始test的数据列有多少  

test_data[Pred] = test_pred_int
submission = test_data[[ID,Pred]]
submission.to_csv(./result.csv, index=False) # writing data to a CSV file

 

  ②贝叶斯模型

 

from sklearn.model_selection import  train_test_split,KFold
#from sklearn.linear_model import LogisticRegression
from sklearn.naive_bayes import GaussianNB,BernoulliNB,MultinomialNB
from sklearn.metrics import roc_auc_score,auc,roc_curve
#from sklearn.svm import SVC
#import xgboost as xgb

X_train_part,X_test_part,y_train_part,y_test_part = train_test_split(X_train,train_data[label],test_size = 0.2)

clf = MultinomialNB()
clf.fit(X_train_part,y_train_part)

y_pred = clf.predict_proba(X_train_part)
fpr, tpr, thresholds = roc_curve(y_train_part, y_pred[:,1])
auc(fpr, tpr)  ###0.9992496306904572

y_pred = clf.predict_proba(X_test_part)
fpr, tpr, thresholds = roc_curve(y_test_part, y_pred[:,1])
auc(fpr, tpr) ###0.8613719824212871
clf = MultinomialNB() clf.fit(X_train,train_data[label]) y_pred_text = clf.predict_proba(X_test) ##保存测试结果 submit = pd.DataFrame() submit[ID] = test[ID] submit[Pred] = y_pred_text[:,1] submit.to_csv(submit_bayes_2.csv,index=False)

 

 参考:https://blog.csdn.net/Strawberry_595/article/details/90205761

 

 

 

 

 

kesci---2019大数据挑战赛预选赛---情感分析

标签:方法   mos   基于   ann   mat   model   tags   预测   article   

原文地址:https://www.cnblogs.com/Lee-yl/p/10927093.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!