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 pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as snsimport networkx as nxplt.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 jiebastop_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.analysejieba.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 WordCloudimport randomfrom PIL import Imageimport matplotlib# Custom colour map based on Netflix palettemask = 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 _flattencut_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].indexkeywords
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.NaNmatrix[1:, 0] = matrix[0, 1:] = keywordsmatrix
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 = 0for 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 += 1matrix[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 importCountVectorizer,TfidfVectorizerfrom 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 = 10feature_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 Counterfrom wordcloud import WordCloudfrom 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 = 3dis_wordnum=10plt.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。