Python数据分析案例23——电商评论文本分析(LDA,共现网络)

本次案例适合物流，电商，大数据等专业的同学。

---

案例背景：

对于现在的某宝某东上面电商平台的商品，我们可以去找一家店铺，选着某个商品，爬取文本，然后进行如下的文本分析。

本次选择了某东上面的一个是手抓饼商品的评论，我爬取了2千多条，数据长这个样子： 

---

数据预处理

读取数据，导入包，由于是文本数据，中文文本要分词处理，读取停用词

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')

定义分词函数，新增一列分词后的列：cutword：

#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_excel('result.xlsx')
df['cutword']=df['评论'].astype('str').apply(txt_cut)
df=df[['id','评价时间','商品种类','评论','cutword']]

然后去重，填充缺失值：

df=df.drop_duplicates(subset=['评论'])
df=df.fillna(method='backfill')

清洗后储存一下：

df.to_excel('分词后的评论.xlsx',index=False)

重置索引，查看前五行：

df=df.reset_index(drop=True)
df.head()

 

---

 商品种类分析

 计算每一类的数量

df['商品种类'].value_counts()

 画饼图

import random   #定义随机生成颜色函数
def randomcolor():
    colorArr = ['1','2','3','4','5','6','7','8','9','A','B','C','D','E','F']
    color ="#"+''.join([random.choice(colorArr) for i in range(6)])
    return color
[randomcolor() for i in range(3)]

plt.figure(figsize=(5,5),dpi=180)
p1=df['商品种类'].value_counts()
plt.pie(p1,labels=p1.index,autopct="%1.3f%%",shadow=True,explode=(0.2,0,0,0,0),colors=[randomcolor() for i in range(5)]) #带阴影，某一块里中心的距离
plt.title("安井手抓饼销售类别占比")
plt.show()

 可以看到哪一类产品卖的多....

---

评论时间分析

#对收集到的评论的时间进行分析

year=pd.to_datetime(df['评价时间']).dt.year.value_counts()
month=pd.to_datetime(df['评价时间']).dt.month.value_counts()
year

画图：

plt.subplots(1,2,figsize=(10,5),dpi=128)
plt.subplot(121)
plt.pie(year,labels=year.index,autopct="%1.3f%%",shadow=True,explode=(0.2,0,0,0,0),colors=[randomcolor() for i in range(len(year))]) 
plt.title("安井手抓饼评论不同年份对比")
 
plt.subplot(122)
sns.barplot(y=month.index,x=month,orient="h")
plt.ylabel('月份')
plt.xlabel('评论数量',fontsize=14)
plt.title("安井手抓饼评论不同月份分布")
#plt.legend()
plt.tight_layout()
plt.show()

 

 由于23年才过一个月，但是他的评论数量已经比2019到2021三年每一年的评论数量都多。 评论数量最多的是2022年，说明安井手抓饼在2022年的销售量得到了质的变化，其销售量对比三年前有了很高的增长率。

对于月份我们发现11月，12月，1月份安井手抓饼的评论最多，这也对应着这三个月份购买手抓饼的人最多，这可能和天气寒冷，而手抓饼方便做早餐有关。

---

文本分析

出现频率最高的词汇

import jieba.analyse
jieba.analyse.set_stop_words('停用词.txt')
#合并一起
text = ''
for i in range(len(df['cutword'])):
    text += df['cutword'][i]+'\n'
j_r=jieba.analyse.extract_tags(text,topK=20,withWeight=True)
df1 = pd.DataFrame()
df1['word']= [word[0] for word in j_r]  ;df1['frequency']=[word[1] for word in j_r]
df1

 对应的词云图

from wordcloud import WordCloud
import random
from PIL import Image
import matplotlib
# Custom colour map based on Netflix palette
mask = np.array(Image.open('四叶草.png'))
cmap = matplotlib.colors.LinearSegmentedColormap.from_list("", [randomcolor() for i in range(10)])
text = text.replace(',', '').replace('[', '').replace("'", '').replace(']', '').replace('.', '')
wordcloud = WordCloud(font_path="r'C:\Windows\Fonts\simfang.ttf",background_color = 'white', width = 500,  height = 200,colormap=cmap, max_words = 100, mask = mask).generate(text)
plt.figure( figsize=(10,6),dpi=512)
plt.imshow(wordcloud, interpolation = 'bilinear')
plt.axis('off')
plt.tight_layout(pad=0)
plt.show()

 

---

共现语义网络

from tkinter import _flatten
cut_word_list = list(map(lambda x: ''.join(x), df['cutword'].tolist()))
content_str = ' '.join(cut_word_list).split()
word_fre = pd.Series(_flatten(content_str)).value_counts()  # 统计词频
word_fre[:50]

 

keywords = word_fre[:50].index
keywords

计算矩阵

matrix = np.zeros((len(keywords)+1)*(len(keywords)+1)).reshape(len(keywords)+1, len(keywords)+1).astype(str)
matrix[0][0] = np.NaN
matrix[1:, 0] = matrix[0, 1:] = keywords
matrix

 

 

cont_list = [cont.split() for cont in cut_word_list]
for i, w1 in enumerate(word_fre[:50].index):
    for j, w2 in enumerate(word_fre[:50].index):
        count = 0
        for cont in cont_list:
            if w1 in cont and w2 in cont:
                if abs(cont.index(w1)-cont.index(w2)) == 0 or abs(cont.index(w1)-cont.index(w2)) == 1:
                    count += 1
        matrix[i+1][j+1] = count

储存 

kwdata = pd.DataFrame(data=matrix)
kwdata.to_csv('关键词共现矩阵.csv', index=False, header=None, encoding='utf-8-sig')

查看：

kwdata= pd.read_csv('关键词共现矩阵.csv')
kwdata .index = kwdata .iloc[:, 0].tolist()
kwdata_ = kwdata .iloc[:20, 1:21]
kwdata_.astype(int)

画图：

plt.figure(figsize=(7, 7),dpi=512)
graph1 = nx.from_pandas_adjacency(kwdata_)
nx.draw(graph1, with_labels=True, node_color='blue', font_size=25, edge_color='tomato')
#plt.savefig('共现网络图.jpg')

 

 

---

Tf-idf分析，词频逆文档频率

导入包

from sklearn.feature_extraction.text import  CountVectorizer,TfidfVectorizer
from sklearn.decomposition import LatentDirichletAllocation

将文本转化为词向量

tf_vectorizer = TfidfVectorizer()
#tf_vectorizer = TfidfVectorizer(ngram_range=(2,2)) #2元词袋
X = tf_vectorizer.fit_transform(df.cutword)
#print(tf_vectorizer.get_feature_names_out())
print(X.shape)

查看高频词

data1 = {'word': tf_vectorizer.get_feature_names_out(),
        'tfidf': X.toarray().sum(axis=0).tolist()}
df2 = pd.DataFrame(data1).sort_values(by="tfidf" ,ascending=False,ignore_index=True) 
df2.head(20)

 

 

---

LDA建模

 构建模型，拟合

n_topics = 4  #分为4类
lda = LatentDirichletAllocation(n_components=n_topics, max_iter=100,
                                learning_method='batch',
                                learning_offset=100,
#                                 doc_topic_prior=0.1,
#                                 topic_word_prior=0.01,
                               random_state=0)
lda.fit(X)

定义一个能查看结果的函数：

def print_top_words(model, feature_names, n_top_words):
    tword = []
    tword2 = []
    tword3=[]
    for topic_idx, topic in enumerate(model.components_):
        print("Topic #%d:" % topic_idx)
        topic_w = [feature_names[i] for i in topic.argsort()[:-n_top_words - 1:-1]]
        topic_pro=[str(round(topic[i],3)) for i in topic.argsort()[:-n_top_words - 1:-1]]  #(round(topic[i],3))
        tword.append(topic_w) 
        tword2.append(topic_pro)
        print(" ".join(topic_w))
        print(" ".join(topic_pro))
        print(' ')
        word_pro=dict(zip(topic_w,topic_pro))
        tword3.append(word_pro)
    return tword3

##输出每个主题对应词语和概率 

n_top_words = 10
feature_names = tf_vectorizer.get_feature_names_out()
word_pro = print_top_words(lda, feature_names, n_top_words)

可以看到分为四类话题，每类话题前10 的词汇。 

 #输出每篇文章对应主题

topics=lda.transform(X)
topic=np.argmax(topics,axis=1)
df['topic']=topic
#df.to_excel("data_topic.xlsx",index=False)
print(topics.shape)
print(topics[0])
topic[0]

可以看到每段文本被分类到第几类话题里面去了。

---

 词云图

from collections import Counter
from wordcloud import WordCloud
from matplotlib import colors
#from imageio import imread    #形状设置
#mask = imread('爱心.png')  

def generate_wordcloud(tup):
    color_list=[randomcolor() for i in range(10)]  #随机生成10个颜色
    wordcloud = WordCloud(background_color='white',font_path='simhei.ttf',#mask = mask, #形状设置
                          max_words=10, max_font_size=50,random_state=42,
                          colormap=colors.ListedColormap(color_list)       #颜色
                          ).generate(str(tup))
    return wordcloud

画图：

dis_cols = 4                  #一行几个
dis_rows = 3
dis_wordnum=10
plt.figure(figsize=(5 * dis_cols, 5 * dis_rows),dpi=128)
kind=len(df['topic'].unique())

for i in range(kind):
    ax=plt.subplot(dis_rows,dis_cols,i+1)
    most10 = [ (k,float(v)) for k,v in word_pro[i].items()][:dis_wordnum]  #高频词
    ax.imshow(generate_wordcloud(most10), interpolation="bilinear")
    ax.axis('off')
    ax.set_title("第{}类话题 前{}词汇".format(i,dis_wordnum), fontsize=30)
plt.tight_layout()
plt.show()

---

 

结论 

第零类话题，包含随时，光顾，买点，囤点这种词汇，主要可能描述着顾客做出购买这个商品的决策时的想法。然后还包括松软，不油，配料表等等，包含着顾客对安井手抓饼的做法的一些想法。

第一类话题包含着蓬松，神器，香菇等词汇，也是对安井手抓饼的描述，同时也包含开吃，nice，表扬等词，说明顾客对于手抓饼较为满意。

第二类话题包含的是京东，物流，早餐，好吃，味道，不错，很快等这些词汇说明顾客主要描述的是对于京东的物流服务很满意，然后以及买来安井手抓饼可以用来当早餐，味道很好，而且做法方便等想法。

第三类话题，包含厚实，必备器，一分钱，看起来，很喜欢等词汇说明，顾客对于安井手抓饼觉得产品质量不错，一分钱一分货，都喜欢买等想法。

由于评论都是好评，所以说这四类话题的主题和词汇可能稍微有点相似也是很正常的。