tidytextpy

TidyTextPy

tidytext是R语言的文本分析包，一般数据会整理为dataframe，每行都是由docid-word-freq组成。有一本R语言的文本挖掘书《Text mining with R》，知识体系挺完整的，该书主力分析工具是R语言的tidytext包。

最早 https://github.com/machow/tidytext-py 项目初步实现了R语言中的unntest_tokens和bind_tf_idf，但未实现get_sentiments和get_stopwords，本项目主要是基于https://github.com/machow/tidytext-py，将其完善。

本项目可能图片看不到，大家可以点击链接:https://pan.baidu.com/s/1Lf8fd7Ra4A3GwoViLyZQnA 密码:wucj 下载本文代码和数据。

安装

pip install tidytextpy

实验数据

这里使用中文科幻小说《三体》为例子，含注释共213章，使用正则表达式构建三体小说数据集，该数据集涵

• chapterid 第几章
• title 章(节)标题
• text 每章节的文本内容(分词后以空格间隔的文本，形态类似英文)

import pandas as pd
import jieba
import re
pd.set_option('display.max_rows', 6)

raw_texts = open('三体.txt', encoding='utf-8').read()
texts = re.split('第\d+章', raw_texts)
texts = [text for text in texts if text]
#中文多了下面一行代码（构造用空格间隔的字符串）
texts = [' '.join(jieba.lcut(text)) for text in texts if text]
titles = re.findall('第\d+章 (.*?)\n', raw_texts)

data = {'chapterid': list(range(1, len(titles)+1)),
        'title': titles,
        'text': texts}
df = pd.DataFrame(data)
df

Building prefix dict from the default dictionary ...
Loading model from cache /var/folders/sc/3mnt5tgs419_hk7s16gq61p80000gn/T/jieba.cache
Loading model cost 0.592 seconds.
Prefix dict has been built successfully.

.dataframe tbody tr th:only-of-type { vertical-align: middle; } .dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; }

	chapterid	title	text
0	1	科学边界(1)	科学 边界 ( 1 ) \n \n 恋上你 看书 网 630book...
1	2	科学边界(2)	科学 边界 ( 2 ) \n \n 恋上你 看书 网 630book...
2	3	台球	台球 \n \n 恋上你 看书 网 630bookla ， 最快...
...	...	...	...
210	211	【时间之外，我们的宇宙】(2)	【 时间 之外 ， 我们 的 宇宙 】 ( 2 ) \n \n 恋上你 ...
211	212	【时间之外，我们的宇宙】(3)	【 时间 之外 ， 我们 的 宇宙 】 ( 3 ) \n \n 恋上你 ...
212	213	注释	注释 \n \n 恋上你 看书 网 630bookla ， 最快...

213 rows × 3 columns

tidytextpy库

• get_stopwords 停用词表
• get_sentiments 情感词典
• unnest_tokens 分词函数
• bind_tf_idf 计算tf-idf

停用词表

get_stopwords(language) 获取对应语言的停用词表，目前仅支持chinese和english两种语言

from tidytextpy import get_stopwords

cn_stps = get_stopwords('chinese')
#前20个中文的停用词
cn_stps[:20]

['、',
 '。',
 '〈',
 '〉',
 '《',
 '》',
 '一',
 '一些',
 '一何',
 '一切',
 '一则',
 '一方面',
 '一旦',
 '一来',
 '一样',
 '一般',
 '一转眼',
 '七',
 '万一',
 '三']

en_stps = get_stopwords()
#前20个英文文的停用词
en_stps[:20]

['i',
 'me',
 'my',
 'myself',
 'we',
 'our',
 'ours',
 'ourselves',
 'you',
 'your',
 'yours',
 'yourself',
 'yourselves',
 'he',
 'him',
 'his',
 'himself',
 'she',
 'her',
 'hers']

情感词典

get_sentiments('词典名') 调用词典，返回词典的dataframe数据。

• afinn sentiment取值-5到5
• bing sentiment取值为positive或negative
• nrc sentiment取值为positive或negative，及细粒度的情绪分类信息
• dutir sentiment为中文七种情绪类别（细粒度情绪分类信息）
• hownet sentiment为positive或negative

其中hownet和dutir为中文情感词典

from tidytextpy import get_sentiments

#大连理工大学情感本体库，共七种情绪（sentiment）
get_sentiments('dutir')

.dataframe tbody tr th:only-of-type { vertical-align: middle; } .dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; }

	sentiment	word
0	惊	冷不防
1	惊	惊动
2	惊	珍闻
...	...	...
27411	惧	匆猝
27412	惧	忧心仲忡
27413	惧	面面厮觑

27414 rows × 2 columns

get_sentiments('nrc')

.dataframe tbody tr th:only-of-type { vertical-align: middle; } .dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; }

	word	sentiment
0	abacus	trust
1	abandon	fear
2	abandon	negative
...	...	...
13898	zest	positive
13899	zest	trust
13900	zip	negative

13901 rows × 2 columns

分词

unnest_tokens(__data, output, input)

• __data 待处理的dataframe数据
• output 新生成的dataframe中，用于存储分词结果的字段名
• input 待分词数据的字段名(待处理的dataframe数据)

from tidytextpy import unnest_tokens

tokens = unnest_tokens(df, output='word', input='text')
tokens

.dataframe tbody tr th:only-of-type { vertical-align: middle; } .dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; }

	chapterid	title	word
0	1	科学边界(1)	科学
0	1	科学边界(1)	边界
0	1	科学边界(1)	1
...	...	...	...
212	213	注释	想到
212	213	注释	暗物质
212	213	注释	。

556595 rows × 3 columns

各章节用词量

从这里开始会用到plydata的管道符>> 和相关的常用函数，建议大家遇到不懂的地方查阅plydata文档

from plydata import count, group_by, ungroup


wordfreq = (df 
            >> unnest_tokens(output='word', input='text') #分词
            >> group_by('chapterid')  #按章节分组
            >> count() #对每章用词量进行统计
            >> ungroup() #去除分组
           )

wordfreq

.dataframe tbody tr th:only-of-type { vertical-align: middle; } .dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; }

	chapterid	n
0	1	2549
1	2	2666
2	3	1726
...	...	...
210	211	2505
211	212	2646
212	213	2477

213 rows × 2 columns

章节用词量可视化

使用plotnine进行可视化

from plotnine import ggplot, aes, theme, geom_line, labs, theme, element_text
from plotnine.options import figure_size

(ggplot(wordfreq, aes(x='chapterid', y='n'))+
 geom_line()+
 labs(title='三体章节用词量折线图',
      x='章节', 
      y='用词量')+
 theme(figure_size=(12, 8),
       title=element_text(family='Kai', size=15), 
       axis_text_x=element_text(family='Kai'),
       axis_text_y=element_text(family='Kai'))
)

<ggplot: (338899281)>

情感分析

重要的事情多重复一遍o(￣︶￣)o

get_sentiments('词典名') 调用词典，返回词典的dataframe数据。

• afinn sentiment取值-5到5
• bing sentiment取值为positive或negative
• nrc sentiment取值为positive或negative，及细粒度的情绪分类信息
• dutir sentiment为中文七种情绪类别（细粒度情绪分类信息）
• hownet sentiment为positive或negative

其中hownet和dutir为中文情感词典

情感计算

这里会用到plydata的很多知识点，大家可以查看https://plydata.readthedocs.io/en/latest/index.html 相关函数的文档。

from plydata import inner_join, count, define, call
from plydata.tidy import spread

chapter_sentiment_score = (
    df #分词
    >> unnest_tokens(output='word', input='text') 
    >> inner_join(get_sentiments('hownet')) #让分词结果与hownet词表交集，给每个词分配sentiment
    >> count('chapterid', 'sentiment')#统计每章中每类sentiment的个数
    >> spread('sentiment', 'n') #将sentiment中的positive和negative转化为两列
    >> call('.fillna', 0) #将缺失值替换为0
    >> define(score = '(positive-negative)/(positive+negative)') #计算每一章的情感分score
)

chapter_sentiment_score

.dataframe tbody tr th:only-of-type { vertical-align: middle; } .dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; }

	chapterid	negative	positive	score
0	1	93.0	56.0	-0.248322
1	2	98.0	83.0	-0.082873
2	3	54.0	37.0	-0.186813
...	...	...	...	...
210	211	56.0	73.0	0.131783
211	212	71.0	67.0	-0.028986
212	213	75.0	74.0	-0.006711

213 rows × 4 columns

三体小说情感走势

我记得看完《三体》后，很悲观，觉得人类似乎永远逃不过宇宙的时空规律，心情十分压抑。如果对照小说进行章节的情感分析，应该整体情感分的走势大多在0以下。

from plotnine import ggplot, aes, geom_line, element_text, labs, theme

(ggplot(chapter_sentiment_score, aes('chapterid', 'score'))+
 geom_line()+
 labs(x='章节', y='情感值score', title='《三体》小说情感走势图')+
 theme(title=element_text(family='Kai'))
)

<ggplot: (364328989)>

tf-idf

相比之前的代码，bind_tf_idf运行起来很慢很慢。所以这里用别的数据做实验

tf-idf实验数据

import pandas as pd
pd.set_option('display.max_rows', 6)

zen = """
The Zen of Python, by Tim Peters

Beautiful is better than ugly.
Explicit is better than implicit.
Simple is better than complex.
Complex is better than complicated.
Flat is better than nested.
Sparse is better than dense.
Readability counts.
Special cases aren't special enough to break the rules.
Although practicality beats purity.
Errors should never pass silently.
Unless explicitly silenced.
In the face of ambiguity, refuse the temptation to guess.
There should be one-- and preferably only one --obvious way to do it.
Although that way may not be obvious at first unless you're Dutch.
Now is better than never.
Although never is often better than *right* now.
If the implementation is hard to explain, it's a bad idea.
If the implementation is easy to explain, it may be a good idea.
Namespaces are one honking great idea -- let's do more of those!
"""

zen_split = zen.splitlines()

df = pd.DataFrame({'docid': list(range(len(zen_split))),
                  'text': zen_split})

df

.dataframe tbody tr th:only-of-type { vertical-align: middle; } .dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; }

	docid	text
0	0
1	1	The Zen of Python, by Tim Peters
2	2
...	...	...
19	19	If the implementation is hard to explain, it's...
20	20	If the implementation is easy to explain, it m...
21	21	Namespaces are one honking great idea -- let's...

22 rows × 2 columns

bind_tf_idf

tf表示词频，idf表示词语在文本中的稀缺性，两者的结合体现了一个词的信息量。找出小说中tf-idf最大的词。

bind_tf_idf(_data, term, document, n)

• _data 传入的df
• term df中词语对应的字段名
• document df中文档id的字段名
• n df中词频数对应的字段名

from tidytextpy import bind_tf_idf
from plydata import count, group_by, ungroup

tfidfs = (df
          >> unnest_tokens(output='word', input='text')
          >> count('docid', 'word')
          >> bind_tf_idf(term='word', document='docid', n='n')
         )

tfidfs

.dataframe tbody tr th:only-of-type { vertical-align: middle; } .dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; }

	docid	word	n	tf	idf	tf_idf
0	1	the	1	0.142857	1.386294	0.198042
1	1	zen	1	0.142857	2.995732	0.427962
2	1	of	1	0.142857	1.897120	0.271017
...	...	...	...	...	...	...
137	21	more	1	0.090909	2.995732	0.272339
138	21	of	1	0.090909	1.897120	0.172465
139	21	those	1	0.090909	2.995732	0.272339

140 rows × 6 columns

如果

如果您是经管人文社科专业背景，编程小白，面临海量文本数据采集和处理分析艰巨任务，可以参看《python网络爬虫与文本数据分析》视频课。作为文科生，一样也是从两眼一抹黑开始，这门课程是用五年时间凝缩出来的。自认为讲的很通俗易懂o(￣︶￣)o，

• python入门
• 网络爬虫
• 数据读取
• 文本分析入门
• 机器学习与文本分析
• 文本分析在经管研究中的应用

感兴趣的童鞋不妨 戳一下《python网络爬虫与文本数据分析》进来看看~

更多

• B站:大邓和他的python

• 公众号：大邓和他的python

• 知乎专栏：数据科学家