sklearn+nltk ——情感分析（积极、消极）

转载：https://www.iteye.com/blog/dengkane-2406703

步骤：

1 有标签的数据。数据：好评文本:pos_text.txt  差评文本:neg_text.txt

2 构造特征：词，双词搭配(Bigrams)，比如“手机 非常”，“非常 好用”，“好用 !”这三个搭配作为分类的特征。以此类推，三词搭配(Trigrams)，四词搭配都是可以被作为特征的.

3 特征降维：使用统计方法找到信息量丰富的特征。包括：词频(Term Frequency)、文档频率(Document Frequency)、互信息(Pointwise Mutual Information)、信息熵(Information Entropy)、卡方统计(Chi-Square)等等。

4 特征表示：nltk——[ {“特征1”: True, “特征2”: True, “特征N”: True, }, 类标签 ]

5 构建分类器并预测：选出最佳算法后可以调整特征的数量来测试准确度。（1）用分类算法训练里面的训练集(Training Set)，得出分类器。（2）用分类器给开发测试集分类(Dev-Test Set)，得出分类结果。（3）对比分类器给出的分类结果和人工标注的正确结果，给出分类器的准确度。

其中，nltk 主要负责处理特征提取(双词或多词搭配需要使用nltk 来做)和特征选择(需要nltk 提供的统计方法)。scikit-learn 主要负责分类算法，评价分类效果，进行分类等任务。

实验：

1.处理数据。str 是全部pos+neg的数据。类型是：str（）

def text():
    f1 = open('pos_text.txt','r')
    f2 = open('neg_text.txt','r')
    line1 = f1.readline()
    line2 = f2.readline()
    str = ''
    while line1:
        str += line1
        line1 = f1.readline()
    while line2:
        str += line2
        line2 = f2.readline()
    f1.close()
    f2.close()
    return str

2.构建特征

#把单个词作为特征
def bag_of_words(words):
    d={}
    for word in words:
        d[word]=True
    return d

print(bag_of_words(text()[:5]))

{'除': True, '了': True, '电': True, '池': True, '不': True}

import nltk
from nltk.collocations import  BigramCollocationFinder
from nltk.metrics import  BigramAssocMeasures

#把双个词作为特征，并使用卡方统计的方法，选择排名前1000的双词
def bigram(words,score_fn=BigramAssocMeasures.chi_sq,n=1000):
    bigram_finder=BigramCollocationFinder.from_words(words)  #把文本变成双词搭配的形式
    bigrams = bigram_finder.nbest(score_fn,n)  #使用卡方统计的方法，选择排名前1000的双词
    newBigrams = [u+v for (u,v) in bigrams]  # bigrams知识个双词列表
    return bag_of_words(newBigrams)  #调用bag_of_words 变成{词：True}的字典

print(bigram(text()[:5],score_fn=BigramAssocMeasures.chi_sq,n=1000))

{'了电': True, '池不': True, '电池': True, '除了': True}

#把单个词和双个词一起作为特征
def bigram_words(words,score_fn=BigramAssocMeasures.chi_sq,n=1000):
    bigram_finder=BigramCollocationFinder.from_words(words)
    bigrams = bigram_finder.nbest(score_fn,n)
    newBigrams = [u+v for (u,v) in bigrams]

    word_dict = bag_of_words(words) #单个字的字典
    bigrams_dict = bag_of_words(newBigrams)#二元词组的字典
    word_dict.update(bigrams_dict)  #把字典bigrams_dict合并到字典word_dict中
    return word_dict

print(bigram_words(text()[:10],score_fn=BigramAssocMeasures.chi_sq,n=1000))

{'除': True, '了': True, '电': True, '池': True, '不': True, '给': True, '力': True, ' ': True, '都': True, '很': True, ' 都': True, '不给': True, 
'了电': True, '力 ': True, '池不': True, '电池': True, '给力': True, '都很': True, '除了': True}

import jieba
#结巴分词作为特征
def read_file(filename):
    stop = [line.strip() for line in  open('stopword.txt','r',encoding='utf-8').readlines()]  #停用词
    f = open(filename,'r')
    line = f.readline()
    str = []
    while line:
        s = line.split('\t')#去掉换行符       #print('s:',s)#['……\n']       #print('s[0]:',s[0])#['……']
        fenci = jieba.cut(s[0],HMM=True)  #False默认值：精准模式  参数HMM=True时，就有了新词发现的能力
        str.append(list(set(fenci)-set(stop)))
        line = f.readline()
    return str  #str 是一个整个评论的列表了

print(read_file('pos_text.txt')[:2])

[['真的', '大屏', '僵尸', '好', '敢', '出色', '300', '14', '多买块', '都', '大战', '双核', '秒杀', '帮', '苹果', '一点', '一张', 'G11', '分辨率', '入手',
 '地方', '植物', '会', '\n', '值得', '16G', '请', '电池', '不给力', '才', '4', '2820', '拿下', '综合', '盖', '感觉', '回答', 'C6', '选', '10', '留言', '玩机',
 '大屏幕', '一起', '放', '照相', '3', '不在乎', '哥', '不是', '非常', '画面', '水果', '游戏', '本来', '再', '贵', '机子', '朋友', '之间', '果断', ' ', '不敢',
 'G14', '一会', '咨询', '差', '判定', '觉得', '小', '尽量', '办公室', '想', '高', '多天', '开后', '心动', '打算', '不会', '极品飞车', '纠结', '买', '玩', '很无语',
 '不到', '安徽', '阜阳', '老婆', '很', '块', '卡', '俩', '差不多', '价格', '带', '500W'], ['9', '希望', '能够', '电池', '很漂亮', '很棒', '屏幕', '不错', '寸',
 '几乎', '完机', '高', '性价比', '4', 'sense', '运行', '都', '值得', '现在', '烫手', '16', '2.3', '一点', '4.3', '长时间', '霸气', '行', '软件', '解决', '入手',
 '很', '确实', '瑕不掩瑜', '其实', ' ', '流畅', '兼容', '还', '3.0', '问题', '真机', '整体', '清晰', '机无', '\n']]

from nltk.probability import  FreqDist,ConditionalFreqDist
from nltk.metrics import  BigramAssocMeasures

#获取信息量最高(前number个)的特征(卡方统计)

def jieba_feature(number):
    posWords = []
    negWords = []
    for items in read_file('pos_text.txt'):#把集合的集合变成集合
        for item in items:
            posWords.append(item)
    for items in read_file('neg_text.txt'):
        for item in items:
            negWords.append(item)

    word_fd = FreqDist() #可统计所有词的词频
    #FreqDist中的键为单词，值为单词的出现总次数。实际上FreqDist构造函数接受任意一个列表，
    #它会将列表中的重复项给统计起来，在本例中我们传入的其实就是一个文本的单词列表。

    cond_word_fd = ConditionalFreqDist() #可统计积极文本中的词频和消极文本中的词频
    #条件频率分布是频率分布的集合，每个频率分布有一个不同的条件，这个条件通常是文本的类别。
    #条件频率分布需要处理的是配对列表，每对的形式是（条件，事件），在示例中条件为文体类别，事件为单词。
    #成员方法
    #conditions()，返回条件列表
    #tabulate(conditions, samples)，根据指定的条件和样本，打印条件频率分布表格
    #plot(conditions, samples)，根据给定的条件和样本，绘制条件频率分布图

    for word in posWords:
        word_fd[word] += 1
        cond_word_fd['pos'][word] += 1

    for word in negWords:
        word_fd[word] += 1
        cond_word_fd['neg'][word] += 1

    pos_word_count = cond_word_fd['pos'].N() #积极词的数量
    neg_word_count = cond_word_fd['neg'].N() #消极词的数量
    total_word_count = pos_word_count + neg_word_count

    word_scores = {}#包括了每个词和这个词的信息量

    for word, freq in word_fd.items():#word_fd={'word':count}
        pos_score = BigramAssocMeasures.chi_sq(cond_word_fd['pos'][word],  (freq, pos_word_count), total_word_count)
        #计算积极词的卡方统计量，这里也可以计算互信息等其它统计量.
        #卡方x2值描述了自变量与因变量之间的相关程度：x2值越大，相关程度也越大

        neg_score = BigramAssocMeasures.chi_sq(cond_word_fd['neg'][word],  (freq, neg_word_count), total_word_count) 

        word_scores[word] = pos_score + neg_score #一个词的信息量等于积极卡方统计量加上消极卡方统计量

    best_vals = sorted(word_scores.items(), key=lambda item:item[1],  reverse=True)[:number] #把词按信息量倒序排序。number是特征的维度，是可以不断调整直至最优的
    best_words = set([w for w,s in best_vals])

    return dict([(word, True) for word in best_words])

#调整设置，分别从四种特征选取方式开展并比较效果

def build_features():
    feature = bag_of_words(text())#第一种：单个词
    #feature = bigram(text(),score_fn=BigramAssocMeasures.chi_sq,n=500)#第二种：双词
    #feature = bigram_words(text(),score_fn=BigramAssocMeasures.chi_sq,n=500)#第三种：单个词和双个词
    #feature = jieba_feature(300)#第四种：结巴分词

    posFeatures = []
    for items in read_file('pos_text.txt'):
        a = {}
        for item in items: #item是每一句的分词列表
            if item in feature.keys():
                a[item]='True'
        posWords = [a,'pos'] #为积极文本赋予"pos"
        posFeatures.append(posWords)

    negFeatures = []
    for items in read_file('neg_text.txt'):
        a = {}
        for item in items:
            if item in feature.keys():
                a[item]='True'
        negWords = [a,'neg'] #为消极文本赋予"neg"
        negFeatures.append(negWords)

    return posFeatures,negFeatures

#获得训练数据

posFeatures,negFeatures = build_features()

from random import shuffle
import sklearn
from nltk.classify.scikitlearn import  SklearnClassifier
from sklearn.svm import SVC, LinearSVC,  NuSVC
from sklearn.naive_bayes import  MultinomialNB, BernoulliNB
from sklearn.linear_model import  LogisticRegression
from sklearn.metrics import  accuracy_score

shuffle(posFeatures)
shuffle(negFeatures) #把文本的排列随机化 

train =  posFeatures[300:]+negFeatures[300:]#训练集(70%)
test = posFeatures[:300]+negFeatures[:300]#验证集(30%)

data,tag = zip(*test)#分离测试集合的数据和标签，便于验证和测试

def score(classifier):
    classifier = SklearnClassifier(classifier)
    classifier.train(train) #训练分类器
    pred = classifier.classify_many(data) #给出预测的标签
    n = 0
    s = len(pred)
    for i in range(0,s):
        if pred[i]==tag[i]:
            n = n+1
    return n/s #分类器准确度

print('BernoulliNB`s accuracy is %f' %score(BernoulliNB()))
print('MultinomiaNB`s accuracy is %f' %score(MultinomialNB()))
print('LogisticRegression`s accuracy is %f' %score(LogisticRegression(solver='lbfgs')))
print('SVC`s accuracy is %f' %score(SVC(gamma='scale')))
print('LinearSVC`s accuracy is %f' %score(LinearSVC()))
#print('NuSVC`s accuracy is %f' %score(NuSVC()))

3.结果

# BernoulliNB`s accuracy is 0.858333
# **** MultinomiaNB`s accuracy is 0.871667*****
# LogisticRegression`s accuracy is 0.820000
# SVC`s accuracy is 0.805000
# LinearSVC`s accuracy is 0.795000
#第四种：结巴分词
# **** BernoulliNB`s accuracy is 0.761667*****
# MultinomiaNB`s accuracy is 0.701667
# LogisticRegression`s accuracy is 0.756667
# SVC`s accuracy is 0.688333
# LinearSVC`s accuracy is 0.733333
#第三种：单个词和双个词
# ***** BernoulliNB`s accuracy is 0.773333******
# MultinomiaNB`s accuracy is 0.688333
# LogisticRegression`s accuracy is 0.726667
# SVC`s accuracy is 0.661667
# LinearSVC`s accuracy is 0.726667
#第二种：双词
# BernoulliNB`s accuracy is 0.641667
# MultinomiaNB`s accuracy is 0.616667
#***** LogisticRegression`s accuracy is 0.668333*****
# SVC`s accuracy is 0.545000
# LinearSVC`s accuracy is 0.653333
#第一种：单个词