今天帶大家完成一箇中文文本情感分析的機器學習項目，大概的流程如下：
數據情況和處理
數據情況
這裡的數據為大眾點評上的評論數據（王樹義老師提供），主要就是評論文字和打分。我們首先讀入數據，看下數據的情況：
import numpy as np
import pandas as pd
data = pd.read_csv('data1.csv')
data.head()
情感劃分
對star字段看唯一值，打分有1，2，4，5。
中文文本情感分析屬於我們的分類問題（也就是消極和積極），這裡是分數，那我們設計代碼，讓分數小於3的為消極（0），大於3的就是積極（1）。
定義一個函數，然後用apply方法，這樣就得到了一個新列（數據分析裡的知識點）
def make_label(star):
if star > 3:
return 1
else:
return 0
data['sentiment'] = data.star.apply(make_label)
工具包（snownlp）
我們首先不用機器學習方法，我們用一個第三庫（snownlp），這個庫可以直接對文本進行情感分析（記得安裝），使用方法也是很簡單。返回的是積極性的概率。
from snownlp import SnowNLP
text1 = '這個東西不錯'
text2 = '這個東西很垃圾'
s1 = SnowNLP(text1)
s2 = SnowNLP(text2)
print(s1.sentiments,s2.sentiments)
# result 0.8623218777387431 0.21406279508712744
這樣，我們就定義大於0.6，就是積極的，同樣的方法，就能得到結果。
def snow_result(comemnt):
s = SnowNLP(comemnt)
if s.sentiments >= 0.6:
return 1
else:
return 0
data['snlp_result'] = data.comment.apply(snow_result)
上面前五行的結果看上去很差（5個就2個是對的），那到底有多少是對的了？我們可以將結果與sentiment字段對比，相等的我就計數，這樣在除以總樣本，就能看大概的精度了。
counts = 0
for i in range(len(data)):
if data.iloc[i,2] == data.iloc[i,3]:
counts+=1
print(counts/len(data))
# result 0.763
樸素貝葉斯
前面利用第三庫的方法，結果不是特別理想（0.763），而且這種方法存在一個很大的弊端：針對性差。
什麼意思了？我們都知道，不同場景下，語言表達都是不同的，例如這個在商品評價中有用，在博客評論中可能就不適用了。
所以，我們需要針對這個場景，訓練自己的模型。本文將使用sklearn實現樸素貝葉斯模型（原理在後文中講解）。slearn小抄先送上（下文有高清下載地址）。
大概流程為：
- 導入數據
- 切分數據
- 數據預處理
- 訓練模型
- 測試模型
jieba分詞
首先，我們對評論數據分詞。為什麼要分詞了？中文和英文不一樣，例如：i love python，就是通過空格來分詞的；我們中文不一樣，例如：我喜歡編程，我們要分成我/喜歡/編程（通過空格隔開），這個主要是為了後面詞向量做準備。
import jieba
def chinese_word_cut(mytext):
return " ".join(jieba.cut(mytext))
data['cut_comment'] = data.comment.apply(chinese_word_cut)
劃分數據集
分類問題需要x（特徵），和y（label）。這裡分詞後的評論為x，情感為y。按8:2的比例切分為訓練集和測試集。
X = data['cut_comment']
y = data.sentiment
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=22)
詞向量（數據處理）
電腦是沒法識別文字的，只能識別數字。那文本怎麼處理了，最簡單的就是詞向量。什麼是詞向量，我們通過一個案例來說明下，下面是我們的文本：
I love the dog
I hate the dog
詞向量處理後就是這樣的：
簡單的說，詞向量就是我們將整個文本出現的單詞一一排列，然後每行數據去映射到這些列上，出現的就是1，沒出現就是0，這樣，文本數據就轉換成了01稀疏矩陣（這也是上文中文分詞的原因，這樣一個詞就是一個列）。
好在，sklearn中直接有這樣的方法給我們使用。CountVectorizer方法常用的參數：
- max_df：在超過這一比例的文檔中出現的關鍵詞（過於平凡），去除掉。
- min_df：在低於這一數量的文檔中出現的關鍵詞（過於獨特），去除掉。
- token_pattern：主要是通過正則處理掉數字和標點符號。
- stop_words：設置停用詞表，這樣的詞我們就不會統計出來（多半是虛擬詞，冠詞等等），需要列表結構，所以代碼中定義了一個函數來處理停用詞表。
from sklearn.feature_extraction.text import CountVectorizer
def get_custom_stopwords(stop_words_file):
with open(stop_words_file) as f:
stopwords = f.read()
stopwords_list = stopwords.split('\n')
custom_stopwords_list = [i for i in stopwords_list]
return custom_stopwords_list
stop_words_file = '哈工大停用詞表.txt'
stopwords = get_custom_stopwords(stop_words_file)
vect = CountVectorizer(max_df = 0.8,
min_df = 3,
token_pattern=u'(?u)\\b[^\\d\\W]\\w+\\b',
stop_words=frozenset(stopwords))
如果想看到底出來的是什麼數據，可通過下面代碼查看。
test = pd.DataFrame(vect.fit_transform(X_train).toarray(), columns=vect.get_feature_names())
test.head()
訓練模型
訓練模型，很簡單，用的是樸素貝葉斯算法，結果為0.899，比之前的snownlp好很多了。
from sklearn.naive_bayes import MultinomialNB
nb = MultinomialNB()
X_train_vect = vect.fit_transform(X_train)
nb.fit(X_train_vect, y_train)
train_score = nb.score(X_train_vect, y_train)
print(train_score)
# result 0.899375
測試數據
當然，我們需要測試數據來驗證精確度了，結果為0.8275，精度還是不錯的。
X_test_vect = vect.transform(X_test)
print(nb.score(X_test_vect, y_test))
# result 0.8275
當然，我們也可以將結果放到data數據中：
X_vec = vect.transform(X)
nb_result = nb.predict(X_vec)
data['nb_result'] = nb_result
討論和不足
- 樣本量少
- 模型沒調參
- 沒有交叉驗證