Streamlit实战Twitter微博情感分类【Flair】

Streamlit是一个出色的机器学习工具开发库，这个教程将学习如何使用streamlit和flair开发一个twitter微博情感分析的应用。

相关链接：Streamlit开发手册

1、streamlit概述

并不是每个人都是数据科学家，但是每个人都需要数据科学带来的力量。Streamlit帮我们解决了这个问题，利用streamlit部署机器学习模型简单到只需要几个函数调用。

例如，如果运行下面的代码：

import streamlit as st

x = st.slider('Select a value')
st.write(x, 'squared is', x * x)

Streamlit就会创建出像下面这样的滑杆输入：

安装Streamlit也很简单：

pip3 install streamlit

然后你就可以运行应用了：

streamlit run 

注意，直接用python运行你的streamlit文件是不行的！

本文中的代码可以到这里下载。

2、情感分类

情感分类是自然语言处理（NLP）中的一个经典问题，目的是判断一个语句的情感倾向是积极（Positive）还是消极（Negative）。

例如，“I love Python！”这句话应当被归类为Positive，而“Python is the worst!”则应当被归类为Negative。

3、Flair开发库

很多流行的机器学习开发库都提供了情感分类器的实现，从简单和效果方面考虑，在这个教程里我们使用Flair，一个顶级的NLP分类器开发包。

可以执行如下命令安装Flair：

pip3 install flair

4、Sentiment140数据集

任何数据科学项目都需要数据集，Sentiment140数据集是我们这个项目的绝配。该数据集包含了160万条标注好的tweet微博，标注0表示消极，4表示积极。

可以从这里下载Sentiment140数据集。

5、数据载入及预处理

一旦下载好Sentiment140数据集，就可以使用如下代码载入数据：

import pandas as pd

col_names = ['sentiment','id','date','query_string','user','text']
data_path = 'training.1600000.processed.noemoticon.csv'

tweet_data = pd.read_csv(data_path, header=None, names=col_names, encoding="ISO-8859-1").sample(frac=1) # .sample(frac=1) shuffles the data
tweet_data = tweet_data[['sentiment', 'text']] # Disregard other columns
print(tweet_data.head())

运行上面的代码将输出如下结果:

        sentiment                                               text
1459123          4  @minalpatel Any more types of glassware you'd...
544833           0  I was a bit puzzled as to why it seemed to it...
398665           0  Yay...my car is ready....Was about 2500 miles...
708548           0               @JoshEJosh How ya been? I MISS you! 
264000           0  @MrFresh0587 yeah i know. well...i'm going to...

不过，因为我们使用.sample(frac=1)随机打乱了数据的先后次序，你得到的结果可能略有不同。

现在数据还很乱，我们先进行预处理：

import re

allowed_chars = ' AaBbCcDdEeFfGgHhIiJjKkLlMmNnOoPpQqRrSsTtUuVvWwXxYyZz0123456789~`!@#$%^&*()-=_+[]{}|;:",./<>?'
punct = '!?,.@#'
maxlen = 280

def preprocess(text):
    return ''.join([' ' + char + ' ' if char in punct else char for char in [char for char in re.sub(r'http\S+', 'http', text, flags=re.MULTILINE) if char in allowed_chars]])[:maxlen]

上面的函数略为有点乏味，但是简而言之，这段代码的目的是剔除文本中所有不能识别的字符、链接等并截断为280个字符。有更好的办法来进行链接清理等预处理，不过我们这里就用最朴素的方法了。

Flair对数据格式有特定的要求，看起来是这样：

__label__    

在我们的微博情感分析应用中，数据整理后应该是这样：

__label__4    
__label__0    
...

为此，我们需要三个步骤：

1、执行预处理函数

tweet_data['text'] = tweet_data['text'].apply(preprocess)

2、在每个情感标记前添加__label__前缀

tweet_data['sentiment'] = '__label__' + tweet_data['sentiment'].astype(str)

3、保存数据

import os

# Create directory for saving data if it does not already exist
data_dir = './processed-data'
if not os.path.isdir(data_dir):
    os.mkdir(data_dir)

# Save a percentage of the data (you could also only load a fraction of the data instead)
amount = 0.125

tweet_data.iloc[0:int(len(tweet_data)*0.8*amount)].to_csv(data_dir + '/train.csv', sep='\t', index=False, header=False)
tweet_data.iloc[int(len(tweet_data)*0.8*amount):int(len(tweet_data)*0.9*amount)].to_csv(data_dir + '/test.csv', sep='\t', index=False, header=False)
tweet_data.iloc[int(len(tweet_data)*0.9*amount):int(len(tweet_data)*1.0*amount)].to_csv(data_dir + '/dev.csv', sep='\t', index=False, header=False)

在上面的代码中，你可能注意到了两个问题：

• 我们仅保存了部分数据。这是因为Sentiment140数据集太大了，如果Flair加载 完整的数据集需要太多的内存。
• 我们将数据分割为训练集、测试集和开发集。当Flair载入数据时，它需要数据 按这种方法拆分。默认情况下，拆分比例为8-1-1，即80%的数据进训练集、10% 的数据进测试集、10%的数据进开发集

现在，数据准备好了！

6、基于Flair的文本情感分类实现

在这个教程中，我们仅涉及Flair的基础。如果你需要更多细节，推荐你查看Flair的官方文档。

首先我们用Flair的NLPTaskDataFetcher 类载入数据：

from flair.data_fetcher import NLPTaskDataFetcher
from pathlib import Path

corpus = NLPTaskDataFetcher.load_classification_corpus(Path(data_dir), test_file='test.csv', dev_file='dev.csv', train_file='train.csv')

然后我们构造一个标签字典来记录语料库中分配给文本的所有标签：

label_dict = corpus.make_label_dictionary()

现在可以载入Flair内置的GloVe词嵌入了：

from flair.embeddings import WordEmbeddings, FlairEmbeddings

word_embeddings = [WordEmbeddings('glove'),
#                    FlairEmbeddings('news-forward'),
#                    FlairEmbeddings('news-backward')
                  ]

注释掉的两行代码是Flair提供的选项，用于得到更好的效果，不过我的内存有限，因此无法进行测试。

载入词嵌入向量后，用下面的代码进行初始化：

from flair.embeddings import DocumentRNNEmbeddings

document_embeddings = DocumentRNNEmbeddings(word_embeddings, hidden_size=512, reproject_words=True, reproject_words_dimension=256)

现在整合词嵌入向量和标签字典，得到一个TextClassifier模型：

from flair.models import TextClassifier

classifier = TextClassifier(document_embeddings, label_dictionary=label_dict)

接下来我们可以创建一个ModelTrainer实例来用我们的语料库训练模型：

from flair.trainers import ModelTrainer

trainer = ModelTrainer(classifier, corpus)

一旦开始训练，我们需要等一会儿了：

trainer.train('model-saves',
              learning_rate=0.1,
              mini_batch_size=32,
              anneal_factor=0.5,
              patience=8,
              max_epochs=200)

在模型训练完之后，可以使用如下的代码进行测试：

from flair.data import Sentence

classifier = TextClassifier.load('model-saves/final-model.pt')

pos_sentence = Sentence(preprocess('I love Python!'))
neg_sentence = Sentence(preprocess('Python is the worst!'))

classifier.predict(pos_sentence)
classifier.predict(neg_sentence)

print(pos_sentence.labels, neg_sentence.labels)

你应该可以得到类似下面这样的结果：

[4 (0.9758405089378357)] [0 (0.8753706812858582)]

看起来预测是正确的！

7、抓取twitter微博

不错，现在我们有了一个可以预测单条tweet的感情色彩是积极或消极。不过这还不是太有用，那么应该怎么改进？

我的想法是抓取指定查询条件的最新tweet微博，逐个进行情感分类，然后计算积极/消极的比率。

我个人喜欢用twitterscraper来抓twitter微博，虽然它不算快，但你可以绕过twitter设置的请求限制。用下面的命令安装twitterscraper：

pip3 install twitterscraper

安装好了。稍后我们再进行具体的抓取。

8、编写Streamlit脚本

创建一个新的文件main.py，然后先引入一些模块：

import datetime as dt
import re

import pandas as pd
import streamlit as st
from flair.data import Sentence
from flair.models import TextClassifier
from twitterscraper import query_tweets

接下来，我们可以进行一些基本的处理，例如设置页面标题、载入分类模型：

# Set page title
st.title('Twitter Sentiment Analysis')

# Load classification model
with st.spinner('Loading classification model...'):
    classifier = TextClassifier.load('models/best-model.pt')

with st.spinner这部分代码块让我们可以在加载分类模型时给用户一个进度提示。

接下来我们可以复制之前写的预处理函数：

import re

allowed_chars = ' AaBbCcDdEeFfGgHhIiJjKkLlMmNnOoPpQqRrSsTtUuVvWwXxYyZz0123456789~`!@#$%^&*()-=_+[]{}|;:",./<>?'
punct = '!?,.@#'
maxlen = 280

def preprocess(text):
    return ''.join([' ' + char + ' ' if char in punct else char for char in [char for char in re.sub(r'http\S+', 'http', text, flags=re.MULTILINE) if char in allowed_chars]])[:maxlen]

我们首先实现单个tweet微博的分类：

st.subheader('Single tweet classification')

tweet_input = st.text_input('Tweet:')

只要输入文本不是空的，我们就进行如下处理：

• 预处理tweet微博
• 进行预测
• 显式预测结果

if tweet_input != '':
    # Pre-process tweet
    sentence = Sentence(preprocess(tweet_input))

    # Make predictions
    with st.spinner('Predicting...'):
        classifier.predict(sentence)

    # Show predictions
    label_dict = {'0': 'Negative', '4': 'Positive'}

    if len(sentence.labels) > 0:
        st.write('Prediction:')
        st.write(label_dict[sentence.labels[0].value] + ' with ',
                sentence.labels[0].score*100, '% confidence')

使用st.write可以写入任何文本，甚至可以直接显式Pandas数据帧。

好了，现在可以运行：

streamlit run main.py

结果看起来是这样：

接下来我们可以实现之前的想法了：搜索某个主题的twitter微博并计算情感正负比。

st.subheader('Search Twitter for Query')

# Get user input
query = st.text_input('Query:', '#')

# As long as the query is valid (not empty or equal to '#')...
if query != '' and query != '#':
    with st.spinner(f'Searching for and analyzing {query}...'):
        # Get English tweets from the past 4 weeks
        tweets = query_tweets(query, begindate=dt.date.today() - dt.timedelta(weeks=4), lang='en')

        # Initialize empty dataframe
        tweet_data = pd.DataFrame({
            'tweet': [],
            'predicted-sentiment': []
        })

        # Keep track of positive vs. negative tweets
        pos_vs_neg = {'0': 0, '4': 0}

        # Add data for each tweet
        for tweet in tweets:
            # Skip iteration if tweet is empty
            if tweet.text in ('', ' '):
                continue
            # Make predictions
            sentence = Sentence(preprocess(tweet.text))
            classifier.predict(sentence)
            sentiment = sentence.labels[0]
            # Keep track of positive vs. negative tweets
            pos_vs_neg[sentiment.value] += 1
            # Append new data
            tweet_data = tweet_data.append({'tweet': tweet.text, 'predicted-sentiment': sentiment}, ignore_index=True)

最后，我们显示采集的数据：

try:
    st.write(tweet_data)
    # Show positive to negative tweet ratio
    try:
        st.write('Positive to negative tweet ratio:', pos_vs_neg['4']/pos_vs_neg['0'])
    except ZeroDivisionError: # if no negative tweets
        st.write('All postive tweets')
except NameError: # if no queries have been made yet
    pass

再次运行应用，结果如下：

下面我们完整的streamlit应用脚本：

import datetime as dt
import re

import pandas as pd
import streamlit as st
from flair.data import Sentence
from flair.models import TextClassifier
from twitterscraper import query_tweets

# Set page title
st.title('Twitter Sentiment Analysis')

# Load classification model
with st.spinner('Loading classification model...'):
    classifier = TextClassifier.load('models/best-model.pt')

# Preprocess function
allowed_chars = ' AaBbCcDdEeFfGgHhIiJjKkLlMmNnOoPpQqRrSsTtUuVvWwXxYyZz0123456789~`!@#$%^&*()-=_+[]{}|;:",./<>?'
punct = '!?,.@#'
maxlen = 280

def preprocess(text):
    # Delete URLs, cut to maxlen, space out punction with spaces, and remove unallowed chars
    return ''.join([' ' + char + ' ' if char in punct else char for char in [char for char in re.sub(r'http\S+', 'http', text, flags=re.MULTILINE) if char in allowed_chars]])

### SINGLE TWEET CLASSIFICATION ###
st.subheader('Single tweet classification')

# Get sentence input, preprocess it, and convert to flair.data.Sentence format
tweet_input = st.text_input('Tweet:')

if tweet_input != '':
    # Pre-process tweet
    sentence = Sentence(preprocess(tweet_input))

    # Make predictions
    with st.spinner('Predicting...'):
        classifier.predict(sentence)

    # Show predictions
    label_dict = {'0': 'Negative', '4': 'Positive'}

    if len(sentence.labels) > 0:
        st.write('Prediction:')
        st.write(label_dict[sentence.labels[0].value] + ' with ',
                sentence.labels[0].score*100, '% confidence')

### TWEET SEARCH AND CLASSIFY ###
st.subheader('Search Twitter for Query')

# Get user input
query = st.text_input('Query:', '#')

# As long as the query is valid (not empty or equal to '#')...
if query != '' and query != '#':
    with st.spinner(f'Searching for and analyzing {query}...'):
        # Get English tweets from the past 4 weeks
        tweets = query_tweets(query, begindate=dt.date.today() - dt.timedelta(weeks=4), lang='en')

        # Initialize empty dataframe
        tweet_data = pd.DataFrame({
            'tweet': [],
            'predicted-sentiment': []
        })

        # Keep track of positive vs. negative tweets
        pos_vs_neg = {'0': 0, '4': 0}

        # Add data for each tweet
        for tweet in tweets:
            # Skip iteration if tweet is empty
            if tweet.text in ('', ' '):
                continue
            # Make predictions
            sentence = Sentence(preprocess(tweet.text))
            classifier.predict(sentence)
            sentiment = sentence.labels[0]
            # Keep track of positive vs. negative tweets
            pos_vs_neg[sentiment.value] += 1
            # Append new data
            tweet_data = tweet_data.append({'tweet': tweet.text, 'predicted-sentiment': sentiment}, ignore_index=True)

# Show query data and sentiment if available
try:
    st.write(tweet_data)
    try:
        st.write('Positive to negative tweet ratio:', pos_vs_neg['4']/pos_vs_neg['0'])
    except ZeroDivisionError: # if no negative tweets
        st.write('All postive tweets')
except NameError: # if no queries have been made yet
    pass

---

原文链接：Streamlit+Flair开发微博情感分析应用 — 汇智网