锐客网

  1. 首页 > 生活百科 > it技术 > >

关于函数非布拉斯python的信息

IT技术我们

如何用python做舆情时间序列可视化如何批量处理评论信息情感分析 ， 并且在时间轴上可视化呈现？舆情分析并不难，让我们用Python来实现它吧 。
痛点
你是一家连锁火锅店函数非布拉斯python的区域经理，很注重顾客对餐厅的评价 。从前 ， 你苦恼的是顾客不爱写评价 。最近因为餐厅火了，分店越来越多，写评论的顾客也多了起来 ， 于是你新的痛苦来了——评论太多了 ， 读不过来 。
从我这儿，你了解到了情感分析这个好用的自动化工具 ， 一下子觉得见到了曙光 。
你从某知名点评网站上，找到了自己一家分店的页面，让助手把上面的评论和发布时间数据弄下来 。因为助手不会用爬虫，所以只能把评论从网页上一条条复制粘贴到Excel里 。下班的时候，才弄下来27条 。（注意这里我们使用的是真实评论数据 。为了避免对被评论商家造成困扰 ， 统一将该餐厅的名称替换为“A餐厅” 。特此说明 。）
好在你只是想做个试验而已，将就了吧 。你用我之前介绍的中文信息情感分析工具 ， 依次得出了每一条评论的情感数值 。刚开始做出结果的时候，你很兴奋，觉得自己找到了舆情分析的终极利器 。
可是美好的时光总是短暂的 。很快你就发现，如果每一条评论都分别运行一次程序 ， 用机器来做分析 ， 还真是不如自己挨条去读省事儿 。
怎么办呢？
序列
办法自然是有的 。我们可以利用《贷还是不贷函数非布拉斯python：如何用Python和机器学习帮你决策？》一文介绍过的数据框，一次性处理多个数据，提升效率 。
但是这还不够 ， 我们还可以把情感分析的结果在时间序列上可视化出来 。这样你一眼就可以看见趋势——近一段时间里，大家是对餐厅究竟是更满意了，还是越来越不满意呢？
我们人类最擅长处理的，就是图像 。因为漫长的进化史逼迫我们不断提升对图像快速准确的处理能力 ， 否则就会被环境淘汰掉 。因此才会有“一幅图胜过千言万语”的说法 。
准备
首先 ， 你需要安装Anaconda套装 。详细的流程步骤请参考《 如何用Python做词云 》一文 。
助手好不容易做好的Excel文件restaurant-comments.xlsx，请从这里下载 。
用Excel打开 ， 如果一切正常，请将该文件移动到咱们的工作目录demo下 。
因为本例中我们需要对中文评论作分析，因此使用的软件包为SnowNLP 。情感分析的基本应用方法 ， 请参考《如何用Python做情感分析？》 。
到你的系统“终端”(macOS, Linux)或者“命令提示符”(Windows)下，进入我们的工作目录demo，执行以下命令 。
pip install snownlp
pip install ggplot
运行环境配置完毕 。
在终端或者命令提示符下键入：
jupyter notebook
如果Jupyter Notebook正确运行，下面我们就可以开始编写代码了 。
代码
我们在Jupyter Notebook中新建一个Python 2笔记本，起名为time-series 。
首先我们引入数据框分析工具Pandas ， 简写成pd以方便调用 。
import pandas as pd
接着 ， 读入Excel数据文件：
df = pd.read_excel("restaurant-comments.xlsx")
我们看看读入内容是否完整：
df.head()
结果如下：
注意这里的时间列 。如果你的Excel文件里的时间格式跟此处一样，包含了日期和时间，那么Pandas会非常智能地帮你把它识别为时间格式，接着往下做就可以了 。
反之，如果你获取到的时间只精确到日期，例如"2017-04-20"这样，那么Pandas只会把它当做字符串，后面的时间序列分析无法使用字符串数据 。解决办法是在这里加入以下两行代码：
from dateutil import parser
df["date"] = df.date.apply(parser.parse)
这样，你就获得了正确的时间数据了 。
确认数据完整无误后，我们要进行情感分析了 。先用第一行的评论内容做个小实验 。
text = df.comments.iloc[0]
然后我们调用SnowNLP情感分析工具 。
from snownlp import SnowNLP
s = SnowNLP(text)
显示一下SnowNLP的分析结果：
s.sentiments
结果为：
0.6331975099099649
情感分析数值可以正确计算 。在此基础上 ， 我们需要定义函数，以便批量处理所有的评论信息 。
def get_sentiment_cn(text):
s = SnowNLP(text)return s.sentiments
然后，我们利用Python里面强大的apply语句，来一次性处理所有评论，并且将生成的情感数值在数据框里面单独存为一列，称为sentiment 。
df["sentiment"] = df.comments.apply(get_sentiment_cn)
我们看看情感分析结果：
df.head()
新的列sentiment已经生成 。我们之前介绍过，SnowNLP的结果取值范围在0到1之间，代表了情感分析结果为正面的可能性 。通过观察前几条数据，我们发现点评网站上，顾客对这家分店评价总体上还是正面的，而且有的评论是非常积极的 。
但是少量数据的观察，可能造成我们结论的偏颇 。我们来把所有的情感分析结果数值做一下平均 。使用mean()函数即可 。
df.sentiment.mean()
结果为：
0.7114015318571119
结果数值超过0.7，整体上顾客对这家店的态度是正面的 。
我们再来看看中位数值，使用的函数为median() 。
df.sentiment.median()
结果为：
0.9563139038622388
我们发现了有趣的现象——中位数值不仅比平均值高，而且几乎接近1（完全正面） 。
这就意味着，大部分的评价一边倒表示非常满意 。但是存在着少部分异常点，显著拉低了平均值 。
下面我们用情感的时间序列可视化功能，直观查看这些异常点出现在什么时间，以及它们的数值究竟有多低 。
我们需要使用ggplot绘图工具包 。这个工具包原本只在R语言中提供，让其函数非布拉斯python他数据分析工具的用户羡慕得流口水 。幸好，后来它很快被移植到了Python平台 。
我们从ggplot中引入绘图函数 ， 并且让Jupyter Notebook可以直接显示图像 。
%pylab inlinefrom ggplot import *
这里可能会报一些警告信息 。没有关系 ， 不理会就是了 。
下面我们绘制图形 。这里你可以输入下面这一行语句 。
ggplot(aes(x="date", y="sentiment"), data=https://www.04ip.com/post/df)geom_point()geom_line(color ='blue')scale_x_date(labels = date_format("%Y-%m-%d"))
你可以看到ggplot的绘图语法是多么简洁和人性化 。只需要告诉Python自己打算用哪个数据框，从中选择哪列作为横轴 ， 哪列作为纵轴，先画点，后连线，并且可以指定连线的颜色 。然后，你需要让X轴上的日期以何种格式显示出来 。所有的参数设定跟自然语言很相似，直观而且易于理解 。
执行后，就可以看到结果图形了 。
在图中 ， 我们发现许多正面评价情感分析数值极端的高 。同时，我们也清晰地发现了那几个数值极低的点 。对应评论的情感分析数值接近于0 。这几条评论，被Python判定为基本上没有正面情感了 。
从时间上看，最近一段时间，几乎每隔几天就会出现一次比较严重的负面评价 。
作为经理，你可能如坐针毡 。希望尽快了解发生了什么事儿 。你不用在数据框或者Excel文件里面一条条翻找情感数值最低的评论 。Python数据框Pandas为你提供了非常好的排序功能 。假设你希望找到所有评论里情感分析数值最低的那条，可以这样执行：
df.sort(['sentiment'])[:1]
结果为：
情感分析结果数值几乎就是0?。〔还饫锸菘蛳允酒缆坌畔⒉煌耆?。我们需要将评论整体打印出来 。
print(df.sort(['sentiment']).iloc[0].comments)
评论完整信息如下：
这次是在情人节当天过去的，以前从来没在情人节正日子出来过 ， 不是因为没有男朋友，而是感觉哪哪人都多，所以特意错开，这次实在是馋A餐厅了，所以赶在正日子也出来了，从下午四点多的时候我看排号就排到一百多了，我从家开车过去得堵的话一个小时 ， 我一看提前两个小时就在网上先排着号了，差不多我们是六点半到的，到那的时候我看号码前面还有才三十多号，我想着肯定没问题了，等一会就能吃上的，没想到悲剧了，就从我们到那坐到等位区开始，大约是十分二十分一叫号，中途多次我都想走了，哈哈，哎，等到最后早上九点才吃上的，服务员感觉也没以前清闲时周到了，不过这肯定的，一人负责好几桌，今天节日这么多人 ， 肯定是很累的，所以大多也都是我自己跑腿，没让服务员给弄太多，就虾滑让服务员下的，然后环境来说感觉卫生方面是不错，就是有些太吵了，味道还是一如既往的那个味道，不过A餐厅最人性化的就是看我们等了两个多小时，上来送了我们一张打折卡，而且当次就可以使用，这点感觉还是挺好的，不愧是A餐厅，就是比一般的要人性化，不过这次就是选错日子了，以后还是得提前预约 ， 要不就别赶节日去，太火爆了！
通过阅读，你可以发现这位顾客确实有了一次比较糟糕的体验——等候的时间太长了，以至于使用了“悲剧”一词；另外还提及服务不够周到，以及环境吵闹等因素 。正是这些词汇的出现，使得分析结果数值非常低 。
好在顾客很通情达理，而且对该分店的人性化做法给予了正面的评价 。
从这个例子 ， 你可以看出，虽然情感分析可以帮你自动化处理很多内容，然而你不能完全依赖它 。
自然语言的分析，不仅要看表达强烈情感的关键词 ， 也需要考虑到表述方式和上下文等诸多因素 。这些内容，是现在自然语言处理领域的研究前沿 。我们期待着早日应用到科学家们的研究成果，提升情感分析的准确度 。
不过，即便目前的情感分析自动化处理不能达到非常准确 ， 却依然可以帮助你快速定位到那些可能有问题的异常点(anomalies) 。从效率上，比人工处理要高出许多 。
你读完这条评论，长出了一口气 。总结了经验教训后，你决定将人性化的服务贯彻到底 。你又想到，可以收集用户等候时长数据，用数据分析为等待就餐的顾客提供更为合理的等待时长预期 。这样就可以避免顾客一直等到很晚了 。
祝贺你，经理！在数据智能时代，你已经走在了正确的方向上 。
下面，你该认真阅读下一条负面评论了……
讨论
除了情感分析和时间序列可视化，你觉得还可以如何挖掘中文评论信息？除了点评网站之外，你还知道哪些舆情分析的数据来源？欢迎留言分享给大家 ， 我们一起交流讨论 。
如果你对我的文章感兴趣 ， 欢迎点赞 ， 并且微信关注和置顶我的公众号“玉树芝兰”(nkwangshuyi) 。
如果你身边有好友正在做舆情分析的研究工作，也欢迎你把这篇文章转发给他们，共同学习和提高 。
python新手代码问题？判断元素与集合归属关系可以直接用in ， python内建的循环会帮你处理比较：
国家="中国"
a = ["美国","加拿大","澳大利亚"]
b = ["中国","日本","印度"]
if 国家 in a:
print("a")
elif 国家 in b:
print("b")
else:
print("ERROR")
用python做图形界面，然后还要发布为应用程序的话，有很多框架，比如Qt for Python，也就是常说的PyQt 。比较推荐这个，因为算是目前比较流行的，而且不难入门，具体可以在百度上搜Qt或者PyQt，到官网去下载框架 。
PyQt下载：
一些教程：
（这个是翻译的）
（这个是源教程）
当然还有很多，网上搜PyQt教程就可以 。
python怎么表示指数？其中有两个非常漂亮的指数函数图就是用python的matplotlib画出来的 。这一期，我们将要介绍如何利用python绘制出如下指数函数 。
图 1 a1图 1 a1
我们知道当0 ， 指数函数 是单调递减的，当a1 时，指数函数是单调递增的 。所以我们首先要定义出指数函数 ， 将a值做不同初始化
import math
...
def exponential_func(x, a): #定义指数函数
y=math.pow(a, x)
return y
然后，利用numpy构造出自变量，利用上面定义的指数函数来计算出因变量
X=np.linspace(-4, 4, 40) #构造自变量组
Y=[exponential_func(x) for x in X] #求函数值
有了自变量和因变量的一些散点，那么就可以模拟我们平时画函数操作——描点绘图，利用下面代码就可以实现
import math
import numpy as np
import matplotlib.pyplot as plt
import mpl_toolkits.axisartist as axisartist #导入坐标轴加工模块
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
fig=plt.figure(figsize=(6,4)) #新建画布
ax=axisartist.Subplot(fig,111) #使用axisartist.Subplot方法创建一个绘图区对象ax
fig.add_axes(ax) #将绘图区对象添加到画布中
def exponential_func(x, a=2): #定义指数函数
y=math.pow(a, x)
return y
X=np.linspace(-4, 4, 40) #构造自变量组
Y=[exponential_func(x) for x in X] #求函数值
ax.plot(X, Y) #绘制指数函数
plt.show()
图 2 a=2
图2虽简单，但麻雀虽小五脏俱全 ， 指数函数该有都有，接下来是如何让其看起来像我们在作图纸上面画的那么美观，这里重点介绍axisartist 坐标轴加工类 ， 在的时候我们已经用过了，这里就不再多说了 。我们只需要在上面代码后面加上一些代码来将坐标轴好好打扮一番 。
图 3 a1 完整代码# -*- coding: utf-8 -*-图 3 a1 完整代码# -*- coding: utf-8 -*-"""Created on Sun Feb 16 10:19:23 2020project name:@author: 帅帅de三叔"""import mathimport numpy as npimport matplotlib.pyplot as pltimport mp
【关于函数非布拉斯python的信息】函数非布拉斯python的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于、函数非布拉斯python的信息别忘了在本站进行查找喔 。

    推荐阅读


    上一篇：redis转存sqlserver，redis转存是什么意思?

    下一篇：临汾seo推广如何收费，seo推广有效果吗