NLP自然语言处理-文本数据分析-获取词云

作者: 涓涓自然卷 | 来源:发表于2021-03-30 16:17 被阅读0次

一、数据准备：

链接: https://pan.baidu.com/s/1HDdsnZDTgkpPTWF4X_efow 提取码: 4tk2 复制这段内容后打开百度网盘手机App，操作更方便哦。

二、相关工具包：

导入必备工具包

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

导入chain方法用于扁平化列表

import jieba
from itertools import chain

使用jieba中的词性标注功能

import jieba.posseg as pseg

导入绘制词云的工具包

from wordcloud import WordCloud

三、步骤：

1、导入必备工具包。
2、读取数据集-分别读取训练集tsv和验证集tsv。
3、获取训练集、验证集数据标签数量分布。
4、绘制句子长度列的数量分布图。
5、获取训练集与验证集不同词汇总数的统计。
6、获得训练集上正负的样本的高频形容词词云。

四、编辑py文件：

# 导入必备工具包
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt
# 导入chain方法用于扁平化列表
import jieba
from itertools import chain
# 使用jieba中的词性标注功能
import jieba.posseg as pseg
# 导入绘制词云的工具包
from wordcloud import WordCloud

# 设置显示风格
plt.style.use('fivethirtyeight')

# 分别读取训练集tsv和验证集tsv
train_data = pd.read_csv(
    "/Users/weixiujuan/study/cn_data/train.tsv", sep="\t")
valid_data = pd.read_csv(
    "/Users/weixiujuan/study/cn_data/dev.tsv", sep="\t")

# 获取训练集数据标签数量分布
sns.countplot("label", data=train_data)
plt.title("train_data")
plt.show()

# 获取验证数据标签数量分布
sns.countplot("label", data=valid_data)
plt.title("valid_data")
plt.show()

# 在训练数据中添加新的句子长度列，每个元素的值都是对应的句子列的长度
train_data["sentence_length"] = list(map(lambda x: len(x), train_data["sentence"]))

# 绘制句子长度列的数量分布图
sns.countplot("sentence_length", data=train_data)
# 主要关注count长度分布的纵坐标，不需要绘制横坐标，横坐标范围通过dist图进行查看
plt.xticks([])
plt.show()

# 绘制dist长度分布图
sns.displot(train_data["sentence_length"])

# 主要关注dist长度分布横坐标，不需要绘制纵坐标
plt.yticks([])
plt.show()

# 在验证数据中添加新的句子长度列，每个元素的值都是对应的句子列的长度
valid_data["sentence_length"] = list(map(lambda x: len(x), valid_data["sentence"]))

# 绘制句子长度列的数量分布图
sns.countplot("sentence_length", data=valid_data)

# 主要关注count长度分布的纵坐标，不需要绘制横坐标，横坐标范围通过dist图进行查看
plt.xticks([])
plt.show()

# 绘制dist长度分布图
sns.displot(valid_data["sentence_length"])

# 主要关注dist长度分布横坐标，不需要绘制纵坐标
plt.yticks([])
plt.show()

# 获取训练集长度分布的散点图
sns.stripplot(y='sentence_length', x='label', data=train_data)
plt.show()

# 绘制验证集长度分布的散点图
sns.stripplot(y='sentence_length', x='label', data=valid_data)
plt.show()

# 3、获取训练集与验证集不同词汇总数的统计：
# 进行训练集的句子进行分词，并统计出不同词汇的总数
train_vocab = set(chain(*map(lambda x: jieba.lcut(x), train_data["sentence"])))
print("训练集共包含不同词汇总数为：", len(train_vocab))

# 进行验证集的句子进行分词，并统计出不同词汇的总数，set可去重
valid_vocab = set(chain(*map(lambda x: jieba.lcut(x), valid_data["sentence"])))
print("验证集共包含不同词汇总数为：", len(valid_data))


# 4、获得训练集上正负的样本的高频形容词词云：
def get_a_list(text):
    """用于获取形容词列表"""
    # 使用jieba的词性标注方法切分文本，获得具有词性属性flag和词汇属性word的对象，
    # 从而判断flag是否为形容词，来返回对应的词汇
    r = []
    for g in pseg.lcut(text):
        if g.flag == "a":
            r.append(g.word)
    return r


def get_word_cloud(keywords_list):
    """绘制词云"""
    # 实例化绘制词云的类，
    # 其中三个参数：
    # font_path：是字体路径，为了能够显示中文，
    # max_words：指词云图像最多显示多少个词，
    # background_color：为背景颜色
    wordcloud = WordCloud(font_path="/Users/weixiujuan/Downloads/util/SimHei.ttf",
                          max_words=100, background_color="white")
    # 将传入的列表转化成词云生成器需要的字符串形式
    keywords_string = " ".join(keywords_list)
    # 生成词云
    wordcloud.generate(keywords_string)

    # 绘制图像并显示
    plt.figure()
    plt.imshow(wordcloud, interpolation="bilinear")
    plt.axis("off")
    plt.show()


# 获得训练集上正样本，提取sentence列
p_train_data = train_data[train_data["label"] == 1]["sentence"]

# 对正样本的每个句子的形容词
train_p_a_vocab = chain(*map(lambda x: get_a_list(x), p_train_data))
# print(train_p_a_vocab)

# 训练集上的负样本
n_train_data = train_data[train_data["label"] == 0]["sentence"]

# 获取负样本的每个句子的形容词
train_n_a_vocab = chain(*map(lambda x: get_a_list(x), n_train_data))

# 调用绘制词云函数
get_word_cloud(train_p_a_vocab)
get_word_cloud(train_n_a_vocab)

# 5、获得验证集上正负的样本的形容词词云
# 获得验证集上正样本
p_valid_data = valid_data[valid_data["label"] == 1]["sentence"]

# 对正样本的每个句子的形容词
valid_p_a_vocab = chain(*map(lambda x: get_a_list(x), p_valid_data))
# print(valid_p_a_vocab)

# 获得验证集上的负样本
n_valid_data = valid_data[valid_data["label"] == 0]["sentence"]

# 获取负样本的每个句子的形容词
valid_n_a_vocab = chain(*map(lambda x: get_a_list(x), n_valid_data))

# 调用绘制词云函数
get_word_cloud(valid_p_a_vocab)
get_word_cloud(valid_n_a_vocab)