情感分类学习笔记(1)

文本情感分类(二):深度学习模型 - 科学空间|Scientific Spaces

一、代码理解

cw = lambda x: list(jieba.cut(x)) #定义分词函数

您给出的代码定义了一个使用 jieba 分词库的分词函数。jieba 是一个用于中文分词的 Python 库。该函数 cw 是一个 lambda 函数,它接受一个字符串 x 作为输入,然后使用 jieba.cut(x) 方法对字符串进行分词,并返回一个分词后的列表。

这里是该代码的一个简单解释和如何使用它的例子:

首先,确保您已经安装了 jieba 库。如果没有,您可以使用 pip 来安装它:

bash复制代码

pip install jieba

然后,您可以使用您定义的 cw 函数来对中文文本进行分词:

python复制代码

import jieba
# 定义分词函数
cw = lambda x: list(jieba.cut(x))
# 使用分词函数
text = "我来到北京清华大学"
words = cw(text)
print(words) # 输出: ['我', '来到', '北京', '清华大学']

在上面的例子中,文本 "我来到北京清华大学" 被分词成了 ['我', '来到', '北京', '清华大学']。

lambda 函数在这里是一个简单的函数定义方式,对于简单的函数,使用 lambda 可以使代码更简洁。但是,如果函数变得更加复杂,使用常规的 def 语句来定义函数会更清晰和易于阅读。例如:

 

python复制代码

def cut_words(x):
return list(jieba.cut(x))
# 使用该函数
words = cut_words(text)
print(words) # 输出: ['我', '来到', '北京', '清华大学']

这两种定义方式(使用 lambda 和使用 def)在功能上是等效的。

2.

pn['words'] = pn[0].apply(cw)后pn的内容

3.

comment = comment[comment['rateContent'].notnull()]

DataFrame 是 Pandas 库中用于处理表格型数据的核心数据结构。以下是一些常用的 DataFrame 操作:

  1. 创建 DataFrame

使用 pd.DataFrame() 从字典、列表、Series、其他 DataFrame 或其他数据源创建 DataFrame。

 

python复制代码

import pandas as pd
data = {'A': [1, 2, 3], 'B': [4, 5, 6]}
df = pd.DataFrame(data)
  1. 查看 DataFrame

使用 head()tail()info()describe()shape 等方法查看 DataFrame 的内容、结构或统计信息。

 

python复制代码

print(df.head()) # 显示前几行
print(df.info()) # 显示摘要信息,包括列名、数据类型和非空值计数
print(df.describe()) # 显示数值列的统计信息
print(df.shape) # 显示行数和列数
  1. 选择数据

使用列名、行标签、条件表达式、布尔索引等选择数据。

 

python复制代码

print(df['A']) # 选择列 A
print(df.iloc[0]) # 选择第一行(基于整数位置)
print(df.loc[0]) # 选择第一行(基于标签)
print(df[df['A'] > 1]) # 选择 A 列大于 1 的行
  1. 设置和修改数据

使用列名、行标签或条件表达式设置或修改 DataFrame 中的值。

 

python复制代码

df['C'] = df['A'] + df['B'] # 添加新列 C,其值为 A 和 B 列的和
df.at[0, 'A'] = 10 # 修改第一行 A 列的值为 10
df.loc[df['A'] > 1, 'B'] = 0 # 将 A 列大于 1 的行对应的 B 列值设置为 0
  1. 排序数据

使用 sort_values() 方法按列值对 DataFrame 进行排序。

 

python复制代码

df_sorted = df.sort_values(by='A') # 按列 A 的值排序
  1. 数据分组和聚合

使用 groupby() 方法对数据进行分组,并使用聚合函数(如 sum()mean()count() 等)对每个组进行计算。

 

python复制代码

grouped = df.groupby('A').sum() # 按列 A 分组并计算每组的和
  1. 缺失值处理

使用 dropna()fillna()interpolate() 等方法处理缺失值。

 

python复制代码

df_cleaned = df.dropna() # 删除包含缺失值的行
df_filled = df.fillna(0) # 将缺失值替换为 0
  1. 合并和连接

使用 merge()concat()join() 等方法合并或连接多个 DataFrame。

 

python复制代码

df1 = pd.DataFrame({'key': ['A', 'B', 'A', 'B', 'A', 'B', 'A', 'B'], 'value': range(8)})
df2 = pd.DataFrame({'key': ['B', 'B', 'A', 'A', 'B', 'A'], 'value2': range(6)})
merged = pd.merge(df1, df2, on='key') # 基于 key 列合并 df1 和 df2
  1. 数据导出

使用 to_csv()to_excel()to_sql() 等方法将 DataFrame 导出到 CSV 文件、Excel 文件、数据库等。

 

python复制代码

df.to_csv('output.csv', index=False) # 将 DataFrame 导出到 CSV 文件,不包含索引列
  1. 其他常用操作
  • 重命名列:df.rename(columns={'old_name': 'new_name'})
  • 删除列:del df['column_name'] 或 df.drop(columns=['column_name'])
  • 删除行:df.drop(index=labels_to_drop)
  • 转换数据类型:df['column_name'] = df['column_name'].astype(new_type)
  • 排序索引:df.sort_index()
  • 重置索引:df.reset_index()
  • 转换日期和时间数据:pd.to_datetime()
  • 等等...

这句话的意思就是选取comment 里面rateContent列里面非空的数据重新赋值给comment

4.d2v_train = pd.concat([pn['words'], comment['words']], ignore_index = True)

pd.concat 是 Pandas 库中的一个函数,用于沿一条轴将多个 pandas 对象(如 Series、DataFrame)连接在一起。这个函数在处理多个 DataFrame 或 Series 时非常有用,尤其是当你需要将它们合并成一个更大的数据集时。

基本用法

  1. 连接 Series

假设你有两个 Series:

 

python复制代码

import pandas as pd
s1 = pd.Series(['A', 'B', 'C'])
s2 = pd.Series(['D', 'E', 'F'])
result = pd.concat([s1, s2])

这将把 s2 连接到 s1 的后面。

  1. 连接 DataFrame

你可以沿行(axis=0)或列(axis=1)连接 DataFrame。

沿行连接:

 

python复制代码

df1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})
df2 = pd.DataFrame({'A': [5, 6], 'B': [7, 8]})
result = pd.concat([df1, df2], ignore_index=True)

沿列连接:

 

python复制代码

df3 = pd.DataFrame({'C': [9, 10], 'D': [11, 12]})
result = pd.concat([df1, df3], axis=1)

参数

  • objs:要连接的 pandas 对象列表或字典。
  • axis:默认为 0,表示沿行连接。如果为 1,则沿列连接。
  • join:默认为 'outer',表示连接操作。对于 DataFrame,这可以是 'inner'(交集)或 'outer'(并集)。
  • ignore_index:默认为 False。如果为 True,则忽略原始索引并生成一个新的整数索引。
  • keys:对于分层索引,可以提供一个列表或数组作为连接键。
  • ...:还有其他参数,但上述是最常用的。

注意事项

  • 当连接 DataFrame 时,确保列名匹配(除非你使用 join='outer' 并希望保留不匹配的列)。
  • 如果 DataFrame 的索引不同,但在连接时你想忽略它们并生成一个新的整数索引,请使用 ignore_index=True
  • 你可以使用字典来连接 DataFrame,其中字典的键将用作新的列级索引。例如:pd.concat({'key1': df1, 'key2': df2}, axis=1)

5.dict = pd.DataFrame(pd.Series(w).value_counts())

步骤分解:

  1. pd.Series(w): 这里假设 w 是一个可迭代的对象(如列表),您正在将其转换为一个 Pandas Series。如果 w 已经是一个 Series,则这一步是多余的。

  2. .value_counts(): 对 Series 对象调用 value_counts() 方法会计算每个唯一值出现的次数,并返回一个 Series,其中索引是唯一值,值是它们出现的次数。

  3. pd.DataFrame(...): 接下来,您尝试将这个 Series 转换为一个 DataFrame。虽然这是技术上可行的,但通常当您只处理一个 Series(即一列数据)时,没有必要将其转换为 DataFrame。

6.dict['id']=list(range(1,len(dict)+1))

7.

pn['sent'] = pn['words'].apply(get_sent) #速度太慢

8.

x = np.array(list(pn['sent']))[::2] #训练集

在您提供的代码 x = np.array(list(pn['sent']))[::2] 中,您正在对 pn['sent'](假定它是一个Pandas Series、列表或其他可迭代对象)执行几个操作。下面是对这些操作的详细解释:

  1. pn['sent']:这部分代码假定 pn 是一个Pandas DataFrame,并且 'sent' 是其中的一个列名。这个列可能包含文本数据、数字或其他任何类型的可迭代数据。
  2. list(pn['sent']):这里,您正在将 pn['sent'] 列转换为Python列表。这通常是因为Pandas Series对象虽然可以像列表一样迭代,但有时为了与其他Python库或功能一起使用,您可能需要将其转换为列表。
  3. np.array(...):使用NumPy库的 array 函数将列表转换为一个NumPy数组。NumPy数组是优化过的数据结构,用于存储大量同类型数据,并提供高效的数值计算功能。
  4. [::2]:这是一个切片操作,用于从NumPy数组中选取元素。具体来说,[::2] 意味着从数组的开始到结束,每隔一个元素取一个。因此,如果原始数组是 [a, b, c, d, e],那么切片后的数组将是 [a, c, e]

最终,x 将是一个NumPy数组,其中包含 pn['sent'] 列中每隔一个元素的值。

注意:这里有一个潜在的陷阱。如果 pn['sent'] 列中的元素是字符串(例如文本数据),那么将它们转换为NumPy数组可能不会提供您期望的功能或性能优势,因为NumPy主要用于数值计算,而不是字符串处理。如果您的目标是处理文本数据,那么使用Pandas的字符串方法或Python的内置字符串功能可能更为合适。

总结:

苏大神的思路是用jieba分词,将词汇分出。然后通过词频统计对分过的词进行数字映射。然后这样每一个句子就变成了一个长短不一的向量,再将向量裁切或增加为规定大小的长度。之后将裁切的向量与对于的二分类的标签送入构造的网络中训练。训练后统计准确度。

网络第一层用embedding层来生成语义向量,向量长度为256维。第二层为LSTM层,第三层为Dropout层,第四层为Dense全连接层,第五层为激活层,激活函数为sigmoid二分类激活函数。

思考能否实现多分类细腻情感?喜怒哀乐?

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/8788.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

03_led_horse_run_v0 跑马灯

03_led_horse_run_v0 在Verilog中实现跑马灯通常涉及到使用一个计数器来控制LED灯的亮灭顺序。 跑马灯是一种常见的电子显示方式,它通过控制多个LED灯的顺序点亮,形成一种动态的视觉效果,看起来就像灯在“跑”一样。 知识点: 移…

FTTR介绍

概念 FTTR(Fiber to The Room)是一种新型的光纤接入技术,它将光纤信号传输到室内的一个通信网络方案。在FTTR网络中,光纤到达建筑物内的分配盒后,通过铜缆或其他传输介质进入室内各个房间,为用户提供网络服…

Java面试八股文(SpringCloud篇)

****************************************************

前端双语实现方案(VUE版)

一、封装一个lib包 结构如下 en.js use strict;exports.__esModule true; exports.default {sp: {input: {amountError: Incorrect amount format},table: {total: Total:,selected: Selected:,tableNoData: No data,tableNoDataSubtext: Tip: Suggest to recheck your fil…

springboot利用Redis的Geo数据类型,获取附近店铺的坐标位置和距离列表

文章目录 GEO介绍GEO命令行应用添加地理坐标位置获取指定单位半径的全部地理位置列表springboot 的实际应用 GEO介绍 在Redis 3.2版本中,新增了一种数据类型:GEO,它主要用于存储地理位置信息,并对存储的信息进行操作。 GEO实际上…

整理好了!2024年最常见 100 道 Java基础面试题(三十七)

上一篇地址:整理好了!2024年最常见 100 道 Java基础面试题(三十六)-CSDN博客 七十三、抽象类是否可以继承具体类? 在Java中,抽象类(abstract class)可以继承自具体类(c…

Unity延时触发的几种常规方法

目录 1、使用协程Coroutine2、使用Invoke、InvokeRepeating函数3、使用Time.time4、使用Time.deltaTime5、使用DOTween。6、使用Vision Timer。 1、使用协程Coroutine public class Test : MonoBehaviour {// Start is called before the first frame updatevoid Start(){ …

使用css的box-reflect属性制作倒影效果

box-reflect 是一个在 CSS 中创建元素倒影效果的非标准属性。尽管它在过去的一些 WebKit 浏览器中(如旧版的 Safari 和 Chrome)得到了支持,但由于它并未成为 CSS 标准的一部分,因此在现代浏览器中的兼容性较差。以下是对 box-refl…

瑞麦德机电设备有限公司将莅临2024第13届生物发酵展

参展企业介绍 河南瑞麦德机电设备有限公司是专业从事机械输送气力输送、称重配料、筛分、磁选设备研发和制造于一体的企业,公司采用国内外同行业产品的先进技术,经专业团队设计、研发、生产,产品满足“ISO9001”,“GMP”等标准要求…

Java开发原则

Java开发原则 一. 设计规范1.1 Vo设计原则1.1.1 Long类型需要转为String类型 1.2 Mapper接口命名1.2.1 新增1.2.2 删除1.2.3 更新1.2.4 查询 一. 设计规范 1.1 Vo设计原则 1.1.1 Long类型需要转为String类型 由于Long类型转递到前端会出现数据溢出 1.2 Mapper接口命名 1.2…

React 学习-3

Props state可变&#xff0c;props不可变&#xff0c;故子组件使用props较多 ar title "菜鸟教程"; // var title 123; var MyTitle React.createClass({propTypes: {title: React.PropTypes.string.isRequired,},render: function() {return <h1> {this.…

线程的ThreadLocal

ThreadLocal是Java语言中的一个线程内部存储类&#xff0c;可以用来在多线程环境下保证每个线程都拥有自己独立的变量副本&#xff0c;避免了多线程间的数据共享问题。 ThreadLocal的使用方式非常简单&#xff0c;只需要创建一个ThreadLocal对象&#xff0c;然后使用它的get()…

【BST】Behavior Sequence Transformer for E-commerceRecommendation in Alibaba

一、提出背景 传统的Embedding&MLP模型结构将原始特征嵌入到低维向量中&#xff0c;然后将其concat后输入MLP进行最终推荐。DIN提出使用注意力机制来捕获候选项与用户先前点击的项之间的相似性。 然而&#xff0c;大多数这些工作只是连接不同的特征&#xff0c;而没有捕获用…

云动态摘要 2024-05-08

给您带来云厂商的最新动态&#xff0c;最新产品资讯和最新优惠更新。 最新优惠与活动 [免费试用]即刻畅享自研SaaS产品 腾讯云 2024-04-25 涵盖办公协同、营销拓客、上云安全保障、数据分析处理等多场景 云服务器ECS试用产品续用 阿里云 2024-04-14 云服务器ECS试用产品续用…

通过自适应提示提升大语言模型的零样本推理能力

随着大模型&#xff08;LLMs&#xff09;的快速发展&#xff0c;它们在自然语言处理&#xff08;NLP&#xff09;任务上取得了前所未有的成就。特别是&#xff0c;LLMs展现出了强大的推理和规划能力&#xff0c;这得益于它们的少样本和零样本学习能力。然而&#xff0c;现有的方…

LeetCode刷题笔记第217题:存在重复元素

LeetCode刷题笔记第217题&#xff1a;存在重复元素 题目&#xff1a; 给你一个整数数组nums。如果任一值在数组中出现至少两次&#xff0c;返回 true&#xff1b;如果数组中每个元素互不相同&#xff0c;返回 false。 想法&#xff1a; 要判断数组中是否存在重复的元素&…

从零开始精通RTSP之传输ADPCM等音频流

概述 在上一篇文章中&#xff0c;我们详细介绍了使用RTP传输AAC音频流的打包方法。除了AAC编码算法外&#xff0c;常用的音频编码算法还有ADPCM、G711A、G711U、G726等。接下来&#xff0c;我们继续介绍RTP传输ADPCM等音频流的打包方法。 封装方法 RTP封装ADPCM等音频数据时&am…

探究 Java 字符串的不可变性与内部机制

探究 Java 字符串的不可变性与内部机制 为什么String是不可变的 其实String不可变的原因是因为内部char[]被final修饰了&#xff0c; 其实String里的内部hash value也是一个私有的final整形存放hashcode&#xff0c;这么做的原因主要为了提高后续hash操作的性能。 不提供修…

spring模块(六)spring监听器(2)@EventListener

一、介绍 监听器的简化写法 二、原理 三、使用 Slf4j Component public class MyTask {EventListenerpublic void onApplicationEvent(ApplicationEvent event) {if (event instanceof ContextRefreshedEvent) {log.info("监听到 ContextRefreshedEvent...");}if…

Seata之XA 模式的使用

系列文章目录 文章目录 系列文章目录前言 前言 前些天发现了一个巨牛的人工智能学习网站&#xff0c;通俗易懂&#xff0c;风趣幽默&#xff0c;忍不住分享一下给大家。点击跳转到网站&#xff0c;这篇文章男女通用&#xff0c;看懂了就去分享给你的码吧。 Seata 是一款开源的…