廖雪峰的“大数据分析全栈工程师”课程第11期开始招生

我们使用的用 迈尔斯布里格斯类型(MBTI人格)标注的数据集。

一共有4个维度，每个维度有两个类型，所以常人的性格从MBTI指标来看，一共有16种性格。

读取数据

mbti数据集中有两个字段

• type: 性格类型

• posts: 每个用户的最近的50条推文，推文与推文之间用 ||| 间隔开

先查看前5行数据

import pandas as pd
import warnings
warnings.filterwarnings('ignore')
df = pd.read_csv('data/mbti.csv')
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8675 entries, 0 to 8674
Data columns (total 2 columns):
type     8675 non-null object
posts    8675 non-null object
dtypes: object(2)
memory usage: 135.7+ KB

mbti数据集一共有8675条数据

数据探索

这里我计算出每个推文的长度（没啥大用，复习apply和seaborn可视化）

df['words_per_comment'] = df['posts'].apply(lambda x: len(x.split()))/50
df['posts'] = df['posts'].apply(lambda x:x.lower())
df.head()

小提琴图show一下各个性格的wordspercomment信息

import seaborn as sns
import matplotlib.pyplot as plt
#画布设置及尺寸
sns.set(style='white', font_scale=1.5)
plt.figure(figsize=(15, 10))
#绘制小提琴图
sns.violinplot(x='type',
              y='words_per_comment',
              data=df,
              color='lightgray')
#绘制分类三点图，叠加到小提琴图图层上方
sns.stripplot(x='type', 
              y='words_per_comment', 
              data=df, 
              size=2,
              jitter=True)
#标题及y轴名
plt.title('The Violin Plot of Words Per Comment', size=18)
plt.ylabel('Words Per Comment')
#显示
plt.show()

分割数据

将数据集分为训练集和测试集

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(df['posts'], df['type'], 
                                                    test_size=0.2,
                                                    random_state=123)

文本向量化

机器不理解文本，需要先编码为数字，这里使用tfidf方法进行编码。不熟悉的可以看看这个介绍

如何从文本中提取特征信息？

from sklearn.feature_extraction.text import TfidfVectorizer
tfidf = TfidfVectorizer(stop_words='english')
X_train = tfidf.fit_transform(X_train)
X_test = tfidf.transform(X_test)

训练模型及模型得分

这里我选来三种模型，使用score得分评价模型表现

from sklearn.linear_model import LogisticRegression
model1 = LogisticRegression()
model1.fit(X_train, y_train)
model1.score(X_test, y_test)

0.6357348703170029

from sklearn.linear_model import SGDClassifier
model2 = SGDClassifier()
model2.fit(X_train, y_train)
model2.score(X_test, y_test)

0.6824207492795389

from sklearn.linear_model import Perceptron
model3 = Perceptron()
model3.fit(X_train, y_train)
model3.score(X_test, y_test)

0.5994236311239193

找到的这个数据集标注的可能有问题，如果是经典的数据集，一般跑出来都能达到80+%的准确率。

近期文章

精选课 | Python网络爬虫与文本数据分析(学术)

用statsmodels库做计量分析

NRC词语情绪词典和词语色彩词典

Loughran&McDonald金融文本情感分析库

股评师分析报告文本情感分析预测股价

使用分析师报告中含有的情感信息预测上市公司股价变动

【公开视频课】Python语法快速入门

【公开视频课】Python爬虫快速入门

一行pandas代码生成哑变量

使用Python读取图片中的文本数据

代码不到40行的超燃动态排序图

情绪及色彩词典获取方式，请在公众号后台回复关键词“20191226” ，

如果想做文本分析

可购买网课 | Python文本数据分析实战(学术) 

或参加Python&Stata数据分析课寒假工作坊