【class4】

【回顾class】

上上次的课程里，我们使用csv模块读取了一份CSV文件。
该文件里存储了各电商平台上对某品牌电视机的评价，以及每条评价所对应的正负面性。
我们将读取后的数据存储在了列表data里。

对应的代码：

# 导入csv模块

import csv

# 使用open()函数打开数据集，并将返回的文件对象存储在变量file中

file = open("/Users/yequ/TVComments.csv", "r")

# 使用csv.reader()函数读取数据集，并赋值给变量reader

reader = csv.reader(file)

# 创建一个空列表data

data = []

# 使用for循环遍历reader，将遍历的数据存储到变量info中

for info in reader:

    # 使用append()函数，将info逐一添加到data列表中

    data.append(info)   

# 输出data变量

print(data)

上次的课程里，我们通过jieba模块对该文件里的评价进行了分词处理。然后，使用join()和append()函数将分词结果以字符串的形式存储在列表word中。

# 导入jieba模块

import jieba

# 创建一个空列表word存储结果

word = []

# 使用for循环遍历data列表

for row in data:

    # 获取具体的评价内容，并赋值给变量text

    text = row[0]

    # 使用jieba.lcut()将text进行分词，并把结果赋值给ret

    ret = jieba.lcut(text)

    # 使用join()函数，将分词结果以空格合并为一个完整的字符串

    ret = ' '.join(ret)

    # 使用append()函数，添加分词结果到列表word中

    word.append(ret)

# 输出word进行查看

print(word)

完成分词后，我们使用sklearn模块，先构造了一个词袋模型。生成的结果是很多类似于“(499, 1218) 1” 这样的数字数据，表示编号1218的词语在第500条评价里出现了1次。

# 从sklearn.feature_extraction.text中导入CountVectorizer

from sklearn.feature_extraction.text import CountVectorizer

# 创建CountVectorizer对象，并存储在vect中

vect = CountVectorizer(max_features=15)

# 通过vect.fit_transform()和word，构造词袋模型

X = vect.fit_transform(word)

# 输出X

print(X)

然后，我们通过get_feature_names()提取出了评价里前15个出现频率最高的词语。

# 对vect对象使用get_feature_names()，并将结果赋值给keywords

keywords = vect.get_feature_names()

# 输出keywords

print(keywords)

复习结束～接着前两节课的内容，今天我们要构建一个人工智能系统。它的目的是像人类一样，区分评价的情感是正面还是负面的。

在自然语言处理中，像这样对带有情感色彩（褒义贬义/正向负向）的文本进行分析，以确定该文本的情感倾向，被称为情感分析（或情感分类）。接下来，我们会通过监督学习完成情感分析。

在监督学习中，用于训练模型的数据都既有特征(feature)又有对应标签(label)。我们将这样的数据集称为训练集(train set)。

比如：
一组照片，每一张上都有是否是“猫”的标签；
一组邮件，每一封都有是否是“垃圾邮件”的标签等。
通常，特征需要使用代码提取，标签则是人工直接标注在数据集上的。

我们打开包含电视机评价的数据集，可以看到每条评论都有被标记好的“正面”或“负面”的标签。而每条评论的文本特征则需要我们来提取。其实，昨天构造词袋模型就是在提取文本特征（词频）。当我们提取评价的文本特征后，就可以发现，每一条评论的文本特征都有一一对应的“好评”或“差评”的标签。
例如，「清晰」和「不错」是“好评”的文本特征，而「太差」和「漏光」对应的则是“差评”。

分类器：

X正向词，y负向词，x=y为分类器

例如，下图评论2个正向词，0个负向词                                           y=x线下为好评，线下为差评

                    

测试集(test set)

分类器形成后，在正式使用它对未标记数据进行预测前，我们还需要通过一组“已标记”的数据来检验它的最终效果。这类已标记并用于做模型最终评估的数据集被称为测试集(test set)。

因此，原始的已标记数据集在提取特征和标签后，通常会被随机分为两个部分：
1. 80%用于训练模型的训练集(train set)
2. 20%用于检验模型效果的测试集(test set)
训练集相当于上课学知识；
测试集则相当于期末考试，用来最终评估学习效果。

通过测试集的评估，我们会得到一些最终的评估指标，例如：模型的准确率等。
至此，模型就算是建立好了，通过该模型我们便能对未被标注的评价进行预测。

在对没有标签的数据进行预测的过程中，我们也需要先提取数据的文本特征。然后将这些特征输入到分类器中，生成对应的标签。

那么通过监督学习搭建模型的流程大概可以分为6步：

1. 提取数据集的文本特征和对应的标签
2. 将数据集划分为训练集和测试集
3. 选择一个合适的监督学习算法
4. 在训练集上执行算法，生成一个分类器模型
5. 通过测试集来评估模型的准确率
6. 对“没有标签”的评价进行预测

Ps：

监督学习是机器学习中的一种训练方式在监督学习中，

我们会将人工标注好标签（label）的数据集给机器进行学习和训练

在对没有标签的数据进行预测的过程中，也需要先提取数据的文本特征

了解完监督学习后，我们就可以尝试用代码实现情感分析啦～按照刚刚的步骤，首先需要提取数据集中的文本特征和对应的标签。

上节课，我们在构造词袋模型时，只想提取前15个出现频率最高的词语，所以传入了可选参数max_features=15。
构造的词袋模型是一个稀疏矩阵（sparse matrix），用于记录每一条评价里，每个词语出现的次数。

提取数据集中的文本特征

但是当我们训练分类器模型时，必须提取数据集中每一条评价的文本特征。
因此，在构造词袋模型时，不需要传入参数max_features=15。
可以明显感觉到这次多了更多输出内容，因为我们提取了所有评价的文本特征，而不只是前15个高频词语。

为了训练分类器模型，我们需要将文本特征从稀疏矩阵转换为一个二维的NumPy数组。
这是因为每条评价都对应多个特征，通过二维数组的行和列，可以清晰定位出某一个词语在某条评价里出现的次数。同时，不论之后选择哪一种机器学习的算法，都可以直接传入NumPy数组进行训练，非常方便。
我们只需对X使用toarray()函数，就可以将其转换为二维数组了。

示例代码：

# 创建CountVectorizer对象，并存储在vect中

vect = CountVectorizer()

# 将word中的数据传递给vect

X = vect.fit_transform(word)

# 使用toarray()函数，将x转换为数组

X = X.toarray()

# 输出X进行查看

print(X)

提取数据集中的标签

接下来，我们需要提取这199条评价里每一个文本特征所对应的标签，是“正面”还是“负面”。
回忆一下，我们将“正面”或“负面”这一列信息存储在了哪里呢？
没错，标签存储在data中每个小列表的第二个元素里。

那么和上节课读取评价内容一样，只需：
1. 创建一个空列表y用于存储标签数据
2. 使用for循环来遍历data中的每一行数据
3. 只从中提取标签部分，即每行的第二个数据，allInfo[1]
4. 将每行的标签数据逐一添加到列表 y 中

代码实现：

# 创建一个空列表y，用于存储标签

y = []

# 使用for循环遍历data，将遍历的数据存储到allInfo变量中

for allInfo in data:

    # 提取allInfo中的标签数据

    label = allInfo[1]

    # 将标签逐一添加到列表y中

    y.append(label)

# 输出列表y进行查看

print(y)

完成了第一步提取文本特征和标签后，我们就可以进行第二个步骤啦：将数据集划分为训练集和测试集。

我们可以人为划分数据集，但这样的结果并不够随机和客观。
因此，可以借助sklearn.model_selection这个模块，它包含了划分数据的相关功能。
该模块中有一个train_test_split类，其中的train_test_split()函数，可按照用户设定的比例，将数据集随机划分为训练集和测试集。

举一个简单的示例：假如我们将刚刚提取的电视机评论的文本特征和标签依次传入到train_test_split()函数。
该函数会默认按照3:1的比例，将其分为：
训练集的文本特征和标签
测试集的文本特征和标签

)

1. 导入模块

首先，需要使用from...import... 从sklearn.model_selection模块中导入train_test_split类。

2. 划分数据集：train_test_split()

导入模块后，就可以使用train_test_split()函数来对数据集进行划分了。调用该函数时，需依次传入文本特征、标签、训练集比例等数据。

必选参数：数据集的文本特征

将需要进行划分的数据集的文本特征X，作为必选参数，传入到train_test_split()函数中。

必选参数：数据集的标签

train_test_split()函数的第二个必选参数，需传入数据集的标签y。

可选参数：训练集大小

通过可选参数train_size来规定训练集的大小。
如果传入的是浮点数，值应在 0.0 和 1.0 之间，表示训练集占数据集的比例；
如果传入的是整数，表示训练集里数据的个数。

train_size=0.8

这里，我们将0.8赋值给train_size，表示将80%的数据集划分为训练集。

可选参数：随机数种子

每次运行程序时，train_test_split()函数都是根据随机数来对数据进行“洗牌”，从而达到随机划分数据的效果。
随机数的产生取决于随机数种子，可以理解为随机数种子是随机数的编号。
也就是说，如果想要每次划分数据的结果保持一致，可以让随机数种子固定。

random_state=1

我们可以设置random_state参数来让每次划分数据的结果保持一致。
这里，我们将random_state参数赋值为1，该数字没有特殊含义，可以换成其它任意整型（int），它相当于一个种子参数，使得每次划分数据的结果一致。

返回的对象

使用train_test_split()函数划分数据集后，我们将结果赋值给变量result，并输出进行查看。

为了方便后续调用，可以通过索引依次提取出列表result中：
训练集的文本特征、测试集的文本特征、训练集的标签和测试集的标签。
我们将它们分别赋值给了变量train_feature、test_feature、train_label和test_label。
我们把测试集的标签test_label输出进行查看。

以上是步骤三的一二小步