一般通过网络爬虫的方式抓取各大网站的评论数据,本次分析数据就来源于携程网某酒店的评论,在同事的协助下,成功爬取该酒店的评论数据,于是我开始使用这些数据做相关的分析。
本次文本分析中需要使用如下3个包:
1)Rwordseg包用于分词
2)tmcn用于词频统计
3)wordcloud用于绘制文字云
library(Rwordseg)
library(tmcn)
library(wordcloud)
#读取数据
Evaluation <- read.csv(file = file.choose(), encoding = 'UFT-8')
#剔除评论数据中含有的英文和数字
text <- gsub('[a-zA-Z0-9]','',Evaluation$Evaluation)
#分词
segword <- segmentCN(strwords = text)
#查看第一条评论的分词效果
segword[1]
从上图的结果中发现,经分割后的词中有许多无意义的停止词,如“是”,“只”,“了”,“也”等,这些词是需要剔除的。关于停止词,可以到网上搜索获取。
#读取停止词
mystopwords <- read.table(file = file.choose(), stringsAsFactors = FALSE)
head(mystopwords)
class(mystopwords)
由于读入的数据为数据框格式,需要将其转换为向量格式,即:
mystopwords <- as.vector(mystopwords[,1])
head(mystopwords)
现在有了停止词词库,接下来需要将分割后的词与停止词词库进行比对,将含有停止词的词进行剔除。下面是自定义删除停止词的函数:
removewords <- function(target_words,stop_words){
target_words = target_words[target_words%in%stop_words==FALSE]
return(target_words)
}
#将该函数应用到已分割的词中
segword2 <- sapply(X = segword, FUN = removewords, mystopwords)
#查看已删除后的分词结果
segword2[[1]]
从上图中显示,一些无意义的停止词已经被剔除,下面就使用比较干净的词绘制文字云,以大致查看分词效果。
word_freq <- getWordFreq(string = unlist(segword2))
opar <- par(no.readonly = TRUE)
par(bg = 'black')
#绘制出现频率最高的前50个词
wordcloud(words = word_freq$Word, freq = word_freq$Freq, max.words = 50,
random.color = TRUE, colors = rainbow(n = 7))
par(opar)
发现“不错”这个词非常明显,但到底是什么不错呢?下面来看一看都是哪些评论包含不错这样的字眼。
#根据频繁出现词汇,还原初始评价
index <- NULL
for(i in 1:length(segword)){
if (any(segword[[i]] %in% '不错') == TRUE)
index = unique(c(index, i))
}
text[index]
含有“不错”字眼的评论有658条,这就需要人为干涉,将这些“不错”进行简化并组成词典。
这是一个非常繁工的过程,需要耐心的查看这些评论中都是怎么表达的情感的。经过约3个小时的人为选词(不断反复查看),将这些词组成词典,并导入为自定义词汇。(可能该方法比较笨拙,如有更好的方法,还请看官指导)。
#自定义词汇
words <- c('房间干净','服务不错','酒店不错','不错的酒店','不错的地方','卫生不错','设施不错','设备不错','硬件不错','位置不错','地段不错','景色不错','景观不错','环境不错','风景不错','视野不错','夜景不错','口味不错','味道不错','感觉不错','态度不错','态度冷漠','态度冷淡','服务差劲','热情','热心','不热情','态度好','态度差','态度不好','素质差','质量不错','房间不错','浴缸不错','早餐不错','早餐质量差','自助餐不错','下午茶不错','强烈推荐','推荐入住','值得推荐','性价比不错','隔音不错','体验不错','不错的体验','设施陈旧','五星级酒店','性价比不错','交通便利','交通方便','出行方便','房间小','价格不错','前台效率太低','携程','地理位置','陆家嘴')
#插入自定义词汇
insertWords(strwords = words)
由于上面的词汇都是经过简化而成的,而原始评论可能是:“房间很干净”,“服务还是蛮不错的”,“酒店真心不错”等,所以就需要剔除这些干扰分词的词(“还是”,“蛮”,“真心”,“的”等)。
#根据业务情况、需要在原始评论中删除的字和词
pattern <- c('还是','很也','了','点','可以','还','是','真心','都','相当','大家','确实','挺','非常','应该','蛮','整体','里面','就','实在','总体','听说','有点','比较','质量','都是','够','十分','还算','极其','也算','方面','太','算是')
#将这些词组成“正则表达式”
pattern2 <- paste("[",paste(pattern,collapse = ','),"]", sep = '')
#剔除原始评论中含有的这些干扰词汇
text2 <- gsub(pattern = pattern2, replacement = '', x = text)
好,经过清洗后,原始的评论相对简介而干净,下面对其进一步分词,记住,之前已经构建了自定义词汇,他会产生指定组合的词,如“酒店”,“不错”两个词组合为“酒店不错”。
#分词
segword3 <- segmentCN(strwords = text2)
head(segword3)
#新建停止词
stopwords_v2 <- c('不错','酒店','交通','前台','出差','价','去','免费','入','入住','大道','吃','退','上海','说','床','态度','升级','地理','很好','号','住','服务员','房间','服务','设施','环境','位置')
#创建新添加的停止词
mystopwords <- c(mystopwords,stopwords_v2)
#排除停止词
segword4 <- sapply(X = segword3, FUN = removewords, mystopwords)
#查看已删除后的分词结果
segword4[[1]]
根据上面的分词结果,再一次绘制文字云,具体如下:
word_freq2 <- getWordFreq(string = unlist(segword4))
opar <- par(no.readonly = TRUE)
par(bg = 'black')
#绘制出现频率最高的前50个词
wordcloud(words = word_freq2$Word, freq = word_freq2$Freq, scale = c(4,0.1), max.words = 50,random.color = TRUE, colors = rainbow(n = 7))
par(opar)
发现还是有一些词影响了其真实情况,如“早餐”,"房"等,需要进一步将其纳入停止词,因为这些词之前已经被组合成其他词汇。
#再一次清除停止词
stopwords_v3 <- c('早餐','嘴','电话','订','楼','人员','钟','修','办理','客人','品种','朋友','带','出门','房','影响','硬件','感觉','想','验','洁','希望','送')
segword5 <- sapply(X = segword4, FUN = removewords, stopwords_v3)
#查看已删除后的分词结果
segword5[[1]]
根据这次剔除的停止词,我们再绘制一次文字云:
word_freq3 <- getWordFreq(string = unlist(segword5))
opar <- par(no.readonly = TRUE)
par(bg = "black")
#绘制出现频率最高的前50个词
wordcloud(words = word_freq3$Word, freq = word_freq3$Freq, scale = c(4,0.1), max.words = 50,random.color = TRUE, colors = rainbow(n = 7))
par(opar)
发现文字云中含有相同意思的词汇,如“推荐”和“值得推荐”,这就要将这样的词汇合并为一个词汇,具体如下:
#将推荐和值得推荐合并
segword6 <- unlist(segword5)
segword6[segword6 == '推荐'] <- '值得推荐'
#重新绘制文字云
word_freq4 <- getWordFreq(string = unlist(segword6))
opar <- par(no.readonly = TRUE)
par(bg = "black")
#绘制出现频率最高的前50个词
wordcloud(words = word_freq4$Word, freq = word_freq4$Freq, scale = c(4,0.1), max.words = 50, random.order = F, random.color = T, colors = rainbow(n = 7))
par(opar)
上面使用R的wordcloud包绘制文字云,也可以使用工具tagxedo绘制,绘制之前需要将txt文件输入该工具中,该工具的使用可至网站:
#将前50的词频写出到txt文件
write.table(head(word_freq4,50),'word_freq.txt', row.names = FALSE, sep = ' ', quote = FALSE)
在同事的热心帮助下,使用工具tagxedo绘制的个性化文字云,文字云以房子的形状为背景:
结论:
从文字云的返回结果可知:
1)总体评价是比较满意的,如:服务不错、环境不错、酒店不错、满意等
2)酒店附近有地铁,说明交通便利
3)“携程”,说明房客中的一部分来源于携程
4)当然也有一些负面评价,如“不便”,“施工”,“修路”等
5)最后,房客觉得这家酒店非常值得推荐,间接将给酒店带来额外客户
网友评论