天池：数据分析达人赛1:用户情感可视化分析

【教学赛】数据分析达人赛1:用户情感可视化分析

赛题背景

赛题以网络舆情分析为背景，要求选手根据用户的评论来对品牌的议题进行数据分析与可视化。通过这道赛题来引导常用的数据可视化图表，以及数据分析方法，对感兴趣的内容进行探索性数据分析。

赛题数据

数据源： earphone_sentiment.csv，为10000+条行业用户关于耳机的评论

字段名称	类型	描述	说明
content_id	Int	数据ID	/
content	String	文本内容	/
subject	String	主题	提取或依据上下文归纳出来的主题
sentiment_value	Int	情感分析	分析出的情感
sentiment_word	String	情感词	情感词

赛题任务

1. 词云可视化（评论中的关键词，不同情感的词云）
2. 柱状图（不同主题，不同情感，不同情感词）
3. 相关性系数热力图（不同主题，不同情感，不同情感词）

代码实现

前情提要：
这个代码我是用Jupyter写的，可能在Github上看效果更好些。我在Github上传了另一个我的情感分析项目，比这个设计的内容要更全面，这是呢个项目的CSDN地址，GitHub项目地址。
这个耳机评论数据还是挺不好的，我不知道是不是故意的，让你把它变好？根据下面的前几张图，起初我以为题目会让你预测那70%的地方，但根本没法这么做，像sentiment_value ，sentiment_word你可以仔细看一下特别扯。下面的话，我仅仅去按找赛题任务，去编写代码实现一些画图。
画图的话，可以参考Seaborn，有些没有的就用最原始的Matplotlib。

1. 导入常用的一些数据处理的包

   import pandas as pd
   import numpy as np
   from matplotlib import pyplot as plt
   import seaborn as sns
   import warnings
   from pylab import *
   import jieba
   import jieba.posseg as pseg
   from wordcloud import WordCloud, STOPWORDS #导入模块worldcloud
   # from PIL import Image
   
   warnings.filterwarnings('ignore')
   # sns.set_context("talk", font_scale=0.5, rc={"lines.linewidth":4})
   sns.set(font_scale=1.2)
   sns.set(rc={"lines.linewidth":1})
   sns.set_style("whitegrid")
   # 设置中文
   mpl.rcParams['font.sans-serif'] = u'SimHei'
   plt.rcParams['axes.unicode_minus'] = False
   

2. 读取数据

   data = pd.read_csv('./earphone_sentiment.csv')
   data
   

   

3. 观察值的情况

   data['subject'].unique() 
   

   

   data['sentiment_word'].unique() 
   

   

   data['sentiment_value'].unique() 
   

   

4. subject分布图绘制

   df_subject = data['subject'].reset_index()
   df_subject.columns = ["Count", "subject"]
   df_subject = df_subject.groupby("subject").aggregate('count').reset_index()
   df_subject.sort_values(by="Count" , inplace=True, ascending=True) 
   # 把‘外形’，‘功能’，‘舒适’归结为一个
   sizes = df_subject['Count'].tolist()
   labels = df_subject['subject'].tolist()
   sizes = [sizes[0] + sizes[1] + sizes[2]] + sizes[3:]
   labels = ['外形,功能,舒适'] + labels[3:]
   _, axes=plt.subplots(1, 2, figsize=(20, 8))
   plt.subplot(1, 2, 1)
   plt.pie(sizes, labels=labels, autopct='%1.1f%%',shadow=False, radius=1)
   df_subject.sort_values(by="Count" , inplace=True, ascending=False)
   sns.barplot(x='subject', y='Count', data=df_subject, color='salmon', ax=axes[1])
   # plt.title("subject分布图")
   plt.suptitle('subject分布图')
   plt.show()
   

   

5. sentiment_word分布图绘制

   df_subject = data['sentiment_word'].reset_index()
   nan_number = df_subject['sentiment_word'].isnull().sum ()
   df_subject.columns = ["Count", "sentiment_word"]
   # aggregate统计不了Nan
   df_subject = df_subject.groupby("sentiment_word").aggregate('count').reset_index()
   df_subject.sort_values(by="Count" , inplace=True, ascending=True) 
   sizes = df_subject['Count'].tolist()
   labels = df_subject['sentiment_word'].tolist()
   n = 0
   sum_ = 0
   for i in sizes:
       if i < 100:
           n += 1
           sum_ += i
   sizes = sizes[n:] + [nan_number, sum_]
   labels = labels[n:] + ['NaN', '其他(' + str(n) + ")"]
   new_sizes = sorted(sizes)
   sizes = sorted(enumerate(sizes), key=lambda x : x[1])
   new_labels = []
   for i in sizes:
       new_labels.append(labels[i[0]])
   
   _, axes=plt.subplots(1, 2, figsize=(20, 8))
   plt.subplot(1, 2, 1)
   plt.pie(new_sizes, labels=new_labels, autopct='%1.1f%%',shadow=False, radius=1.2)
   sns.barplot(x=new_labels[::-1], y=new_sizes[::-1], color='salmon', ax=axes[1])
   axes[1].set_ylabel('Count')
   axes[1].set_xlabel('sentiment_word')
   plt.suptitle('sentiment_word分布图')
   plt.show()
   

   

6. sentiment_value分布图绘制

   df_subject = data['sentiment_value'].reset_index()
   df_subject.columns = ["Count", "sentiment_value"]
   df_subject = df_subject.groupby("sentiment_value").aggregate('count').reset_index()
   df_subject.sort_values(by="Count", inplace=True, ascending=True) 
   _, axes=plt.subplots(1, 2, figsize=(20, 8))
   plt.subplot(1, 2, 1)
   plt.pie(df_subject['Count'], labels=df_subject['sentiment_value'], autopct='%1.1f%%',shadow=False, radius=1.2)
   df_subject.sort_values(by="Count", inplace=True, ascending=False)
   # 这里必须加order属性，如果不加会按-1，0，1这样的由大到小的顺序
   # 上面两个图没加还没问题，可能是因为x轴是str，所以又去根据y轴排序
   sns.barplot(x='sentiment_value', y='Count', data=df_subject, color='salmon', order=df_subject["sentiment_value"], ax=axes[1])
   plt.suptitle('sentiment_value分布图')
   plt.show()
   

   

7. 查看评论长度大小的分布

   length = pd.DataFrame(columns=['length'])
   for index, row in data.iterrows():
       length.loc[index] = len(row['content'])
       
   plt.figure(figsize=(8,6))
   sns.scatterplot(data=length, x=range(length.shape[0]), y=np.sort(length['length']))
   plt.xlabel('index')
   plt.ylabel('length')
   plt.title('content长度大小分布')
   plt.show()
   

   

8. 评论长度直方图

   # 将大于150的点归为150
   length['length'] = length['length'].map(lambda x: 150 if x > 150 else x)
   
   plt.figure(figsize=(8,6))
   sns.histplot(data=length, x="length", bins=70, binrange=(0,151))
   plt.title('content长度直方图')
   plt.show()
   

   

9. 对数据的一些简单处理

   """
   删除重复数据
   """
   data = data.drop_duplicates(subset='content', keep='first')
   data  # 17176 -> 16883
   
   """
   删除标点符号或英文字母过多的评论
   """
   count = []
   for index, row in data.iterrows():
       other = 0
       chinese = 0
       for i in row['content']:
           if '\u4e00' <= i <= '\u9fa5':
               chinese += 1
           else:
               other += 1
       if chinese < other:
           count.append(index)
   for i in count:
       data = data.drop(i)
   data  # 17176 -> 16883 -> 15058
   
   """
   删除过长（250）和过短（5）的评论
   """
   data = data.drop(data[data['content'].str.len() < 5].index)
   data = data.drop(data[data['content'].str.len() > 250].index)
   data  # 17176 -> 16883 -> 15058 -> 14387
   

10. 开始分词

    def fenci(text):
    #     cut_word = [i for i in list(jieba.cut(text)) if '\u4e00' <= i <= '\u9fff']
        cut_word = [i for i in list(jieba.cut(text)) if '\u4e00' <= i <= '\u9fff' or '\u0030' <= i <= '\u0039' or '\u0061' <= i <= '\u007a' or '\u0041' <= i <= '\u005a']
        text = ' '.join(cut_word)
        return text
    
    data = data.reset_index(drop=True)
    data['分词后'] = ''
    for i in range(len(data)):
        data['分词后'].iloc[i] = fenci(data['content'].iloc[i])
    data
    

    

11. 处理停用词（我，的，地，这种没什么实际意义的词）

    stopwords = [i.strip() for i in open('./stoplist.txt', 'r').readlines()] 
    
    pos_data = data[data['sentiment_value'] == 1]
    neg_data = data[data['sentiment_value'] == -1]
    neu_data = data[data['sentiment_value'] == 0]
    pos_str = ''
    neg_str = ''
    neu_str = ''
    
    str_ = ''
    list_ = []
    for index, row in pos_data.iterrows():
        str_ += row['分词后'] + ' '
    list_ = str_.split(' ')
    for i in list_:
        if i not in stopwords:
            # remove有坑，会删不尽
            # list_.remove(i)
            pos_str += i + ' '
    pos_str = pos_str.rstrip()
        
    str_ = ''
    list_ = []
    for index, row in neg_data.iterrows():
        str_ += row['分词后'] + ' '
    list_ = str_.split(' ')
    for i in list_:
        if i not in stopwords:
            neg_str += i + ' '
    neg_str = neg_str.rstrip()
    
    str_ = ''
    list_ = []
    for index, row in neu_data.iterrows():
        str_ += row['分词后'] + ' '
    list_ = str_.split(' ')
    for i in list_:
        if i not in stopwords:
            neu_str += i + ' '
    neu_str = neu_str.rstrip()
    

12. 绘制云词图

    plt.figure(figsize=(8,6))
    wordcloud = WordCloud(font_path='./msyh.ttf',background_color='white', width=1800, height=800, max_words=300, max_font_size=180).generate(pos_str)
    plt.imshow(wordcloud)
    plt.axis('off')
    plt.title('积极情感词云图')
    plt.show()
    
    plt.figure(figsize=(8,6))
    wordcloud = WordCloud(font_path='./msyh.ttf',background_color='white', width=1800, height=800, max_words=300, max_font_size=180).generate(neg_str)
    plt.imshow(wordcloud)
    plt.axis('off')
    plt.title('消极情感词云图')
    plt.show()
    
    plt.figure(figsize=(8,6))
    wordcloud = WordCloud(font_path='./msyh.ttf',background_color='white', width=1800, height=800, max_words=300, max_font_size=180).generate(neu_str)
    plt.imshow(wordcloud)
    plt.axis('off')
    plt.title('中性情感词云图')
    plt.show()
    

13. 绘制柱状图（不同主题，不同情感）

    plt.figure(figsize=(8,6))
    sns.histplot(data=data, x="subject", hue="sentiment_value", multiple="dodge", shrink=.8)
    plt.title('不同主题，不同情感')
    plt.show()
    

    

14. 绘制柱状图（不同情感词，不同情感）

    plt.figure(figsize=(8,6))
    sns.histplot(data=pos_data, x="sentiment_word", shrink=.8)
    plt.title('不同情感词，不同情感（积极）')
    plt.show()
    
    plt.figure(figsize=(8,6))
    sns.histplot(data=neg_data, x="sentiment_word", shrink=.8)
    plt.title('不同情感词，不同情感（消极）')
    plt.show()
    
    neu_data['sentiment_word'] = neu_data['sentiment_word'].fillna('NaN')
    plt.figure(figsize=(8,6))
    sns.histplot(data=neu_data, x="sentiment_word", shrink=.8)
    plt.title('不同情感词，不同情感（中性）')
    plt.show()
    

    

15. 绘制热力图（不同情感词，不同主题）

    # 创建透视表（count技术，np.sum求和）
    pivot_data = data.pivot_table(columns='sentiment_word',index='subject',values='sentiment_value',aggfunc="count")
    pivot_data = pivot_data.fillna(0)
    
    plt.figure(figsize=(16,12))
    sns.heatmap(pivot_data, annot=True, fmt=".0f", cmap="YlGnBu")
    plt.title('不同情感词，不同主题')
    plt.show()