大家好，我是带我去滑雪！
文本分类是一种机器学习和自然语言处理（NLP）任务，旨在将给定的文本数据分配到预定义的类别或标签中。其目标是为文本数据提供自动分类和标注，使得可以根据其内容或主题进行组织、排序和分析。文本分类在各种应用场景中广泛应用，包括情感分析、垃圾邮件过滤、新闻分类、推荐系统等。
文本分类的关键步骤包括：
- 数据准备：准备训练集和测试集的文本数据，每个文本数据都经过标记或分类。
- 特征提取：从文本数据中提取有用的特征来表示文本。常见的特征提取方法包括词袋模型（Bag-of-Words Model）、TF-IDF（Term Frequency-Inverse Document Frequency）、词嵌入（Word Embeddings）等。
- 训练模型：使用已标记的训练数据来训练分类模型。常见的机器学习算法包括朴素贝叶斯（Naive Bayes）、支持向量机（Support Vector Machines，SVM）、决策树（Decision Trees）、随机森林（Random Forests）等。最近，深度学习方法如卷积神经网络（Convolutional Neural Networks，CNN）和循环神经网络（Recurrent Neural Networks，RNN）也被广泛应用于文本分类任务。
- 模型评估：使用预留的测试数据对训练好的模型进行评估，计算分类模型的准确性、精确度、召回率等指标。
- 预测和应用：使用已训练的模型对新的未标记文本数据进行分类和预测。
本期首先利用python抓取百度贴吧中的评论获得文本数据，再对文本数据进行中文分词、数据清洗、特征提取、TF-IDF权重计算等数据预处理，再进行一定的数据分析和数据可视化，最后运用朴素贝叶斯、神经网络、支持向量机、随机森林、逻辑回归、K近邻、决策树、梯度提升共计8种机器学习对文本数据进行分类。
目录
1、抓取百度贴吧评论获取文本数据
（1）代码
（2）部分数据展示
2、数据预处理
（1）中文分词
（2）文本情感打分
（3）将文本数据转化为向量
（4）计算TF-IDF权重
3、数据分析与可视化
（1）统计得分区间数量
（2）得分区间数据可视化
（3）绘制词云图
（4）关键词TOP10
（5）计算积极评论与消极评论数量并数据可视化
4、使用8种机器学习对文本数据进行分类
（1）随机划分，按总样本数的20%划分，即测试集（784个）与训练集（3135个）
（2）调用模型，并对比测试集精度
1、抓取百度贴吧评论获取文本数据
（1）代码
import requests
import time
from bs4 import BeautifulSoup
def get_html(url):
try:
kv = {'user-agent':'Mozilla/4.0'} #伪装客户端
r = requests.get(url,headers = kv,timeout=30)
r.raise_for_status()
r.encoding = 'UTF-8'
#print(r.text[:1000])
return r.text
except:
return "ERROR"
def get_content(url):
comments = []
html = get_html(url)
soup = BeautifulSoup(html,'lxml')
#with open('b.txt','a+',encoding='utf-8') as f1:
#f1.write（soup.prettify()）
liTags = soup.find_all('li', attrs={'class': 'j_thread_list clearfix thread_item_box'})
for li in liTags:
comment = {}
try:
comment['title'] = li.find('a',attrs={'class':'j_th_tit'}).text.strip()
comment['link'] = "http://tieba.baidu.com" + li.find('a',attrs={'class': 'j_th_tit'})['href']
comment['name'] = li.find('span',attrs={'class': 'tb_icon_author'}).text.strip()
comment['time'] = li.find('span', attrs={'class': 'pull-right is_show_create_time'}).text.strip()
comment['replyNum'] = li.find('span', attrs={'class': 'threadlist_rep_num center_text'}).text.strip()
comments.append(comment)
except:
print('出了点小问题')
return comments
def Out2File(dict):
with open('大学吧的评论最新.txt','a+',encoding='utf-8') as f:
for comment in dict:
f.write('标题： {} \t 链接：{} \t 发帖人：{} \t 发帖时间：{} \t 回复数量： {} \n'.format(
comment['title'], comment['link'], comment['name'], comment['time'], comment['replyNum']))
print('当前页面爬取完成')
def main(base_url, deep):
url_list = [] #存取需要爬取的帖子链接
for i in range(0, deep):
url_list.append(base_url + '&pn=' + str(50 * i))
print('所有的网页已经下载到了本地，开始筛选信息。。。。')
#循环写入数据
for url in url_list:
content = get_content(url)
Out2File(content)
print('所有信息都已经保存完毕！')
base_url = 'http://tieba.baidu.com/f?kw=大学&ie=utf-8&'
deep =200
if __name__ == '__main__':
main(base_url,deep)
输出结果：
所有的网页已经下载到了本地，开始筛选信息。。。。
当前页面爬取完成
当前页面爬取完成
当前页面爬取完成
当前页面爬取完成
当前页面爬取完成
当前页面爬取完成
当前页面爬取完成
当前页面爬取完成
当前页面爬取完成
当前页面爬取完成
当前页面爬取完成
当前页面爬取完成
当前页面爬取完成
（2）部分数据展示
| 1 | 好好画画啦 |
| 2 | 求各专业大佬 |
| 3 | 欢迎报考北邮 |
| 4 | 话费充值需要dd |
| 5 | 兼职有没有来的 |
| 6 | 在校大学生一枚 |
| 7 | 滴滴，喜欢的看过来 |
| 8 | 大学生进！！！ |
| 9 | 有什么快速挣钱的好方法？ |
| 10 | 大学，要挣米，来，???带一手 |
| 11 | 大学宿舍限电是普遍现象吗，一般限多少瓦 |
| 12 | 你们认为大学生打工，什么工作最好 |
| 13 | 家人们该不该 |
| 14 | 兼职介绍，有没有 |
| 15 | 稳稳的一天 |
| 16 | 创建一个资源共享群，亲们留下你们的微信，我拉你们进群 |
| 17 | 假期的小工作 |
| 18 | 寻说明书系统说明，撰写选手 |
| 19 | 加QQ！！！.. |
| 20 | 有兼职群吗 |
2、数据预处理
（1）中文分词
爬取到的评论，使用Python爬取了中文数据集之后，首先需要对数据集进行中文分词处理。由于英文中的词与词之间是采用空格关联的，按照空格可以直接划分词组，所以不需要进行分词处理，而中文汉字之间是紧密相连的，并且存在语义，词与词之间没有明显的分隔点，所以需要借助中文分词技术将语料中的句子按空格分割，变成一段段词序列。使用中文分词技术及Jiaba中文分词工具。
分词后的评论并不是所有的词都与文档内容相关，往往存在一些表意能力很差的辅助性词语，比如中文词组“我们”、“的”、“可以”等，英文词汇“a”、“the”等。这类词在自然语言处理或数据挖掘中被称为停用词（Stop Words），它们是需要进行过滤的。通常借用停用词表或停用词字典进行过滤，这里所用的停用词表可以在文末进行获取。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import networkx as nx
plt.rcParams['font.sans-serif'] = ['KaiTi'] #指定默认字体 SimHei黑体
plt.rcParams['axes.unicode_minus'] = False #解决保存图像是负号'
import jieba
stop_list = pd.read_csv("停用词.txt",index_col=False,quoting=3,sep="\t",names=['stopword'], encoding='utf-8')
#Jieba分词函数
def txt_cut(juzi):
lis=[w for w in jieba.lcut(juzi) if w not in stop_list.values]
return (" ").join(lis)
df=pd.read_csv('E:/工作/硕士/data.csv',encoding="ANSI")
df['cutword']=df['PL'].astype('str').apply(txt_cut)
df=df[['PL','cutword']]
df
输出结果：
（2）文本情感打分
import pandas as pd
data1 = pd.read_csv('E:/工作/硕士/博客//data.csv',encoding="ANSI")
from snownlp import SnowNLP
data1['emotion'] = data1['PL'].apply(lambda x:SnowNLP(x).sentiments)
data1.to_excel('评论情感打分值.xlsx',index=False)#保存数据，具体数据看表格
部分结果展示：
| 序号 | PL | emotion |
| 1 | 周末了，同学们，哪里可以下单机游戏玩？ | 0.936292288 |
| 2 | 大学生等一个 | 0.753614865 |
| 3 | 每位同学顺利毕业??是我最大的心愿?? | 0.994685253 |
| 4 | 了解过咸鱼吧 | 0.5 |
| 5 | 学习通看完了吗，没看完找我呀 | 0.761398932 |
| 6 | 特凉列肮删 | 0.066063183 |
| 7 | 有没有安徽的 | 0.77536362 |
| 8 | 寄快递也可以赚钱，你们满意嘛？ | 0.112413565 |
| 9 | 618可以组队的羊毛群，（超红口令很早就知道） | 0.100694453 |
| 10 | 大家晚上好 | 0.529099344 |
| 11 | 同学们大家好 | 0.87008235 |
| 12 | 放纵的代价 | 0.738870215 |
| 13 | 大学生第一次上台演讲ppt | 0.853786676 |
| 14 | 有没有正常的 | 0.353878603 |
| 15 | 纯绿色搬砖，多劳多得 | 0.154165573 |
（3）将文本数据转化为向量
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
#取出X和y
X = df['text']
y = df['label']
#创建一个TfidfVectorizer的实例
vectorizer = TfidfVectorizer()
#使用Tfidf将文本转化为向量
X = vectorizer.fit_transform(X)
#看看特征形状
X.shape
（4）计算TF-IDF权重
data1 = {'word': vectorizer.get_feature_names_out(),
'tfidf': X.toarray().sum(axis=0).tolist()}
df1 = pd.DataFrame(data1).sort_values(by="tfidf" ,ascending=False,ignore_index=True)
df1
部分结果展示：
3、数据分析与可视化
（1）统计得分区间数量
from itertools import groupby
score_list =data1['emotion']
step = 0.1
for k, g in groupby(sorted(score_list), key=lambda x: x//step):
print('{}-{}: {}'.format(k*step, (k+1)*step+1, len(list(g))))
输出结果：
（2）得分区间数据可视化
%matplotlib inline
from matplotlib import pyplot as plt
from matplotlib import font_manager
a = ["0-0.1", "0.1-0.2","0.2-0.3","0.3-0.4","0.4-0.5","0.5-0.6","0.6-0.7","0.7-0.8","0.8-0.9","0.9-1"]
b = [265,248,259,329,348,319,329,375,439,1064]
plt.figure(figsize=(20,8),dpi=300)
my_font=font_manager.FontProperties(fname=r"C:\Windows\Fonts\STSONG.TTF",size=12)
rects=plt.bar(a,b,width=0.3,color=['red','green','blue','cyan','yellow','gray'])
plt.xticks(a,fontproperties=my_font,rotation=45)
plt.xlabel("情感得分区间",fontproperties=my_font,fontsize=20)
plt.ylabel("数量",fontproperties=my_font,fontsize=20) #rotation='horizontal'
#plt.grid(alpha=0.5)
for rect in rects:
y=rect.get_height()
x=rect.get_x()+rect.get_width()/2
plt.text(x,y+0.5,str(y),ha="center",fontsize=15)
plt.title("情感分区间条形图",fontproperties=my_font,fontsize=20)
plt.savefig("squares2.png",
bbox_inches ="tight",
pad_inches = 1,
transparent = True,
facecolor ="w",
edgecolor ='w',
dpi=300,
orientation ='landscape')
输出结果：
（3）绘制词云图
from wordcloud import WordCloud
import jieba
w = WordCloud(font_path="msyh.ttc",background_color="white",max_words=500,width=1000,height=600) #font_path="msyh.ttc"，设置字体，否则显示不出来
text = ''
for s in data1['PL']:
text += s
data_cut = ' '.join(jieba.lcut(text))
w.generate(data_cut)
image = w.to_file('词云图.png')
输出结果：
（4）关键词TOP10
from jieba import analyse
key_words = jieba.analyse.extract_tags(sentence=text, topK=10, withWeight=True, allowPOS=())
key_words
输出结果：
（5）计算积极评论与消极评论数量并数据可视化
#计算积极评论与消极评论各自的数目
pos = 0
neg = 0
for i in data1['emotion']:
if i >= 0.5:
pos += 1
else:
neg += 1
print('积极评论，消极评论数目分别为：')
pos,neg
输出结果：
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False
pie_labels='postive','negative'
plt.pie([pos,neg],labels=pie_labels,autopct='%1.1f%%',shadow=True)
plt.savefig("squares3.png",
bbox_inches ="tight",
pad_inches = 1,
transparent = True,
facecolor ="w",
edgecolor ='w',
dpi=300,
orientation ='landscape')
输出结果：
4、使用8种机器学习对文本数据进行分类
（1）随机划分，按总样本数的20%划分，即测试集（784个）与训练集（3135个）
X_train, X_test, y_train, y_test =train_test_split(X,y,test_size=0.2,stratify=y,random_state = 0)
#可以检查一下划分后数据形状
X_train.shape,X_test.shape, y_train.shape, y_test.shape
（2）调用模型，并对比测试集精度
from sklearn.linear_model import LogisticRegression
from sklearn.naive_bayes import MultinomialNB
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.svm import SVC
from sklearn.neural_network import MLPClassifier
model1 = LogisticRegression(C=1e10,max_iter=10000) model2 = MultinomialNB() model3 = KNeighborsClassifier(n_neighbors=50) model4 = DecisionTreeClassifier(random_state=77) model5= RandomForestClassifier(n_estimators=500, max_features='sqrt',random_state=10) model6 = GradientBoostingClassifier(random_state=123) model9 = SVC(kernel="rbf", random_state=77) model10 = MLPClassifier(hidden_layer_sizes=(16,8), random_state=77, max_iter=10000) model_list=[model1,model2,model3,model4,model5,model6,model9,model10] model_name=['逻辑回归','朴素贝叶斯','K近邻','决策树','随机森林','梯度提升','支持向量机','神经网络']scores=[] for i in range(len(model_list)): model_C=model_list[i] name=model_name[i] model_C.fit(X_train, y_train) s=model_C.score(X_test, y_test) scores.append(s) print(f'{name}方法在测试集的准确率为{round(s,3)}')plt.figure(figsize=(7,3),dpi=128) sns.barplot(y=model_name,x=scores,orient="h") plt.xlabel('模型准确率') plt.ylabel('模型名称') plt.xticks(fontsize=10,rotation=45) plt.title("不同模型文本分类准确率对比") plt.savefig("squares4.png", bbox_inches ="tight", pad_inches = 1, transparent = True, facecolor ="w", edgecolor ='w', dpi=300, orientation ='landscape')输出结果：
需要数据集的家人们可以去百度网盘（永久有效）获取：
链接：https://pan.baidu.com/s/1E59qYZuGhwlrx6gn4JJZTg?pwd=2138
提取码：2138
更多优质内容持续发布中，请移步主页查看。
点赞+关注,下次不迷路！
