Streamlit实战twitter情感分析

Streamlit是一个出色的机器学习工具开发库，这个教程将学习如何使用streamlit和flair开发一个twitter微博情感分析的应用。

相关链接：Streamlit开发手册

1、streamlit概述

并不是每个人都是数据科学家，但是每个人都需要数据科学带来的力量。Streamlit帮我们解决了这个问题，利用streamlit部署机器学习模型简单到只需要几个函数调用。

例如，如果运行下面的代码：

1import streamlit as st
2
3x = st.slider('Select a value')
4st.write(x, 'squared is', x * x)

Streamlit就会创建出像下面这样的滑杆输入：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nTdMScgX-1580353226171)(streamlit-twitter/slider.png)]

安装Streamlit也很简单：

pip3 install streamlit

然后你就可以运行应用了：

streamlit run <FILE>

注意，直接用python运行你的streamlit文件是不行的！

本文中的代码可以到这里下载。

2、情感分类

情感分类是自然语言处理（NLP）中的一个经典问题，目的是判断一个语句的情感倾向是积极（Positive）还是消极（Negative）。

例如，“I love Python！”这句话应当被归类为Positive，而“Python is the worst!”则应当被归类为Negative。

3、Flair开发库

很多流行的机器学习开发库都提供了情感分类器的实现，从简单和效果方面考虑，在这个教程里我们使用Flair，一个顶级的NLP分类器开发包。

可以执行如下命令安装Flair：

pip3 install flair

4、Sentiment140数据集

任何数据科学项目都需要数据集，Sentiment140数据集是我们这个项目的绝配。该数据集包含了160万条标注好的tweet微博，标注0表示消极，4表示积极。

可以从这里下载Sentiment140数据集。

5、数据载入及预处理

一旦下载好Sentiment140数据集，就可以使用如下代码载入数据：

1import pandas as pd
2
3col_names = ['sentiment','id','date','query_string','user','text']
4data_path = 'training.1600000.processed.noemoticon.csv'
5
6tweet_data = pd.read_csv(data_path, header=None, names=col_names, encoding="ISO-8859-1").sample(frac=1) # .sample(frac=1) shuffles the data
7tweet_data = tweet_data[['sentiment', 'text']] # Disregard other columns
8print(tweet_data.head())

运行上面的代码将输出如下结果:

1        sentiment                                               text
21459123          4  @minalpatel Any more types of glassware you'd...
3544833           0  I was a bit puzzled as to why it seemed to it...
4398665           0  Yay...my car is ready....Was about 2500 miles...
5708548           0               @JoshEJosh How ya been? I MISS you! 
6264000           0  @MrFresh0587 yeah i know. well...i'm going to...

不过，因为我们使用 .sample(frac=1)随机打乱了数据的先后次序，你得到的结果可能略有不同。

现在数据还很乱，我们先进行预处理：

1import re
2
3allowed_chars = ' AaBbCcDdEeFfGgHhIiJjKkLlMmNnOoPpQqRrSsTtUuVvWwXxYyZz0123456789~`!@#$%^&*()-=_+[]{}|;:",./<>?'
4punct = '!?,.@#'
5maxlen = 280
6
7def preprocess(text):
8    return ''.join([' ' + char + ' ' if char in punct else char for char in [char for char in re.sub(r'http\S+', 'http', text, flags=re.MULTILINE) if char in allowed_chars]])[:maxlen]

上面的函数略为有点乏味，但是简而言之，这段代码的目的是剔除文本中所有不能识别的字符、链接等并截断为280个字符。有更好的办法来进行链接清理等预处理，不过我们这里就用最朴素的方法了。

Flair对数据格式有特定的要求，看起来是这样：

__label__<LABEL>    <TEXT>

在我们的微博情感分析应用中，数据整理后应该是这样：

1__label__4    <PRE-PROCESSED TWEET>
2__label__0    <PRE-PROCESSED TWEET>
3...

为此，我们需要三个步骤：

1、执行预处理函数

tweet_data['text'] = tweet_data['text'].apply(preprocess)

2、在每个情感标记前添加__label__前缀

tweet_data['sentiment'] = '__label__' + tweet_data['sentiment'].astype(str)

3、保存数据

1import os
2
3# Create directory for saving data if it does not already exist
4data_dir = './processed-data'
5if not os.path.isdir(data_dir):
6    os.mkdir(data_dir)
7
8# Save a percentage of the data (you could also only load a fraction of the data instead)
9amount = 0.125
10
11tweet_data.iloc[0:int(len(tweet_data)*0.8*amount)].to_csv(data_dir + '/train.csv', sep='\t', index=False, header=False)
12tweet_data.iloc[int(len(tweet_data)*0.8*amount):int(len(tweet_data)*0.9*amount)].to_csv(data_dir + '/test.csv', sep='\t', index=False, header=False)
13tweet_data.iloc[int(len(tweet_data)*0.9*amount):int(len(tweet_data)*1.0*amount)].to_csv(data_dir + '/dev.csv', sep='\t', index=False, header=False)

在上面的代码中，你可能注意到了两个问题：

我们仅保存了部分数据。这是因为Sentiment140数据集太大了，如果Flair加载完整的数据集需要太多的内存。
我们将数据分割为训练集、测试集和开发集。当Flair载入数据时，它需要数据按这种方法拆分。默认情况下，拆分比例为8-1-1，即80%的数据进训练集、10% 的数据进测试集、10%的数据进开发集

现在，数据准备好了！

6、基于Flair的文本情感分类实现

在这个教程中，我们仅涉及Flair的基础。如果你需要更多细节，推荐你查看Flair的官方文档。

首先我们用Flair的NLPTaskDataFetcher 类载入数据：

1from flair.data_fetcher import NLPTaskDataFetcher
2from pathlib import Path
3
4corpus = NLPTaskDataFetcher.load_classification_corpus(Path(data_dir), test_file='test.csv', dev_file='dev.csv', train_file='train.csv')

然后我们构造一个标签字典来记录语料库中分配给文本的所有标签：

label_dict = corpus.make_label_dictionary()

现在可以载入Flair内置的GloVe词嵌入了：

1from flair.embeddings import WordEmbeddings, FlairEmbeddings
2
3word_embeddings = [WordEmbeddings('glove'),
4#                    FlairEmbeddings('news-forward'),
5#                    FlairEmbeddings('news-backward')
6                  ]

注释掉的两行代码是Flair提供的选项，用于得到更好的效果，不过我的内存有限，因此无法进行测试。

载入词嵌入向量后，用下面的代码进行初始化：

1from flair.embeddings import DocumentRNNEmbeddings
2
3document_embeddings = DocumentRNNEmbeddings(word_embeddings, hidden_size=512, reproject_words=True, reproject_words_dimension=256)

现在整合词嵌入向量和标签字典，得到一个TextClassifier模型：

1from flair.models import TextClassifier
2
3classifier = TextClassifier(document_embeddings, label_dictionary=label_dict)

接下来我们可以创建一个ModelTrainer实例来用我们的语料库训练模型：

1from flair.trainers import ModelTrainer
2
3trainer = ModelTrainer(classifier, corpus)

一旦开始训练，我们需要等一会儿了：

1trainer.train('model-saves',
2              learning_rate=0.1,
3              mini_batch_size=32,
4              anneal_factor=0.5,
5              patience=8,
6              max_epochs=200)

在模型训练完之后，可以使用如下的代码进行测试：

1from flair.data import Sentence
2
3classifier = TextClassifier.load('model-saves/final-model.pt')
4
5pos_sentence = Sentence(preprocess('I love Python!'))
6neg_sentence = Sentence(preprocess('Python is the worst!'))
7
8classifier.predict(pos_sentence)
9classifier.predict(neg_sentence)
10
11print(pos_sentence.labels, neg_sentence.labels)

你应该可以得到类似下面这样的结果：

[4 (0.9758405089378357)] [0 (0.8753706812858582)]

看起来预测是正确的！

7、抓取twitter微博

不错，现在我们有了一个可以预测单条tweet的感情色彩是积极或消极。不过这还不是太有用，那么应该怎么改进？

我的想法是抓取指定查询条件的最新tweet微博，逐个进行情感分类，然后计算积极/消极的比率。

我个人喜欢用twitterscraper来抓twitter微博，虽然它不算快，但你可以绕过twitter设置的请求限制。用下面的命令安装twitterscraper：

pip3 install twitterscraper

安装好了。稍后我们再进行具体的抓取。

8、编写Streamlit脚本

创建一个新的文件main.py，然后先引入一些模块：

1import datetime as dt
2import re
3
4import pandas as pd
5import streamlit as st
6from flair.data import Sentence
7from flair.models import TextClassifier
8from twitterscraper import query_tweets

接下来，我们可以进行一些基本的处理，例如设置页面标题、载入分类模型：

1# Set page title
2st.title('Twitter Sentiment Analysis')
3
4# Load classification model
5with st.spinner('Loading classification model...'):
6    classifier = TextClassifier.load('models/best-model.pt')

with st.spinner这部分代码块让我们可以在加载分类模型时给用户一个进度提示。

接下来我们可以复制之前写的预处理函数：

1import re
2
3allowed_chars = ' AaBbCcDdEeFfGgHhIiJjKkLlMmNnOoPpQqRrSsTtUuVvWwXxYyZz0123456789~`!@#$%^&*()-=_+[]{}|;:",./<>?'
4punct = '!?,.@#'
5maxlen = 280
6
7def preprocess(text):
8    return ''.join([' ' + char + ' ' if char in punct else char for char in [char for char in re.sub(r'http\S+', 'http', text, flags=re.MULTILINE) if char in allowed_chars]])[:maxlen]

我们首先实现单个tweet微博的分类：

1st.subheader('Single tweet classification')
2
3tweet_input = st.text_input('Tweet:')

只要输入文本不是空的，我们就进行如下处理：

预处理tweet微博
进行预测

显式预测结果

if tweet_input != '': # Pre-process tweet sentence = Sentence(preprocess(tweet_input))

1# Make predictions
2with st.spinner('Predicting...'):
3    classifier.predict(sentence)
4
5# Show predictions
6label_dict = {'0': 'Negative', '4': 'Positive'}
7
8if len(sentence.labels) > 0:
9    st.write('Prediction:')
10    st.write(label_dict[sentence.labels[0].value] + ' with ',
11            sentence.labels[0].score*100, '% confidence')

使用st.write可以写入任何文本，甚至可以直接显式Pandas数据帧。

好了，现在可以运行：

streamlit run main.py

结果看起来是这样：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jHXAU8vX-1580353226173)(streamlit-twitter/ui-1.png)]

接下来我们可以实现之前的想法了：搜索某个主题的twitter微博并计算情感正负比。

1st.subheader('Search Twitter for Query')
2
3# Get user input
4query = st.text_input('Query:', '#')
5
6# As long as the query is valid (not empty or equal to '#')...
7if query != '' and query != '#':
8    with st.spinner(f'Searching for and analyzing {query}...'):
9        # Get English tweets from the past 4 weeks
10        tweets = query_tweets(query, begindate=dt.date.today() - dt.timedelta(weeks=4), lang='en')
11
12        # Initialize empty dataframe
13        tweet_data = pd.DataFrame({
14            'tweet': [],
15            'predicted-sentiment': []
16        })
17
18        # Keep track of positive vs. negative tweets
19        pos_vs_neg = {'0': 0, '4': 0}
20
21        # Add data for each tweet
22        for tweet in tweets:
23            # Skip iteration if tweet is empty
24            if tweet.text in ('', ' '):
25                continue
26            # Make predictions
27            sentence = Sentence(preprocess(tweet.text))
28            classifier.predict(sentence)
29            sentiment = sentence.labels[0]
30            # Keep track of positive vs. negative tweets
31            pos_vs_neg[sentiment.value] += 1
32            # Append new data
33            tweet_data = tweet_data.append({'tweet': tweet.text, 'predicted-sentiment': sentiment}, ignore_index=True)

最后，我们显示采集的数据：

1try:
2    st.write(tweet_data)
3    # Show positive to negative tweet ratio
4    try:
5        st.write('Positive to negative tweet ratio:', pos_vs_neg['4']/pos_vs_neg['0'])
6    except ZeroDivisionError: # if no negative tweets
7        st.write('All postive tweets')
8except NameError: # if no queries have been made yet
9    pass

再次运行应用，结果如下：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SGQ1cET0-1580353226173)(streamlit-twitter/ui-2.png)]

下面我们完整的streamlit应用脚本：

1import datetime as dt
2import re
3
4import pandas as pd
5import streamlit as st
6from flair.data import Sentence
7from flair.models import TextClassifier
8from twitterscraper import query_tweets
9
10# Set page title
11st.title('Twitter Sentiment Analysis')
12
13# Load classification model
14with st.spinner('Loading classification model...'):
15    classifier = TextClassifier.load('models/best-model.pt')
16
17# Preprocess function
18allowed_chars = ' AaBbCcDdEeFfGgHhIiJjKkLlMmNnOoPpQqRrSsTtUuVvWwXxYyZz0123456789~`!@#$%^&*()-=_+[]{}|;:",./<>?'
19punct = '!?,.@#'
20maxlen = 280
21
22def preprocess(text):
23    # Delete URLs, cut to maxlen, space out punction with spaces, and remove unallowed chars
24    return ''.join([' ' + char + ' ' if char in punct else char for char in [char for char in re.sub(r'http\S+', 'http', text, flags=re.MULTILINE) if char in allowed_chars]])
25
26### SINGLE TWEET CLASSIFICATION ###
27st.subheader('Single tweet classification')
28
29# Get sentence input, preprocess it, and convert to flair.data.Sentence format
30tweet_input = st.text_input('Tweet:')
31
32if tweet_input != '':
33    # Pre-process tweet
34    sentence = Sentence(preprocess(tweet_input))
35
36    # Make predictions
37    with st.spinner('Predicting...'):
38        classifier.predict(sentence)
39
40    # Show predictions
41    label_dict = {'0': 'Negative', '4': 'Positive'}
42
43    if len(sentence.labels) > 0:
44        st.write('Prediction:')
45        st.write(label_dict[sentence.labels[0].value] + ' with ',
46                sentence.labels[0].score*100, '% confidence')
47
48### TWEET SEARCH AND CLASSIFY ###
49st.subheader('Search Twitter for Query')
50
51# Get user input
52query = st.text_input('Query:', '#')
53
54# As long as the query is valid (not empty or equal to '#')...
55if query != '' and query != '#':
56    with st.spinner(f'Searching for and analyzing {query}...'):
57        # Get English tweets from the past 4 weeks
58        tweets = query_tweets(query, begindate=dt.date.today() - dt.timedelta(weeks=4), lang='en')
59
60        # Initialize empty dataframe
61        tweet_data = pd.DataFrame({
62            'tweet': [],
63            'predicted-sentiment': []
64        })
65
66        # Keep track of positive vs. negative tweets
67        pos_vs_neg = {'0': 0, '4': 0}
68
69        # Add data for each tweet
70        for tweet in tweets:
71            # Skip iteration if tweet is empty
72            if tweet.text in ('', ' '):
73                continue
74            # Make predictions
75            sentence = Sentence(preprocess(tweet.text))
76            classifier.predict(sentence)
77            sentiment = sentence.labels[0]
78            # Keep track of positive vs. negative tweets
79            pos_vs_neg[sentiment.value] += 1
80            # Append new data
81            tweet_data = tweet_data.append({'tweet': tweet.text, 'predicted-sentiment': sentiment}, ignore_index=True)
82
83# Show query data and sentiment if available
84try:
85    st.write(tweet_data)
86    try:
87        st.write('Positive to negative tweet ratio:', pos_vs_neg['4']/pos_vs_neg['0'])
88    except ZeroDivisionError: # if no negative tweets
89        st.write('All postive tweets')
90except NameError: # if no queries have been made yet
91    pass

原文链接：Streamlit+Flair开发微博情感分析应用 — 汇智网