Zbudujmy chmurę słów!

Analiza sentymentu w Pythonie

Violeta Misheva

Data Scientist

Przykład chmury słów

przykład chmury słów z czarnym tłem

Jak działają chmury słów?

Im częściej dane słowo występuje, tym WIĘKSZE i pogrubione pojawi się w chmurze słów.

Chmura słów wygenerowana z jednej z najdłuższych recenzji

okrągła chmura słów z recenzji o Titaniku

Dlaczego chmury słów?

Zalety

Ujawniają najważniejsze treści
Dają ogólny obraz tekstu
Łatwe w odbiorze i angażujące

Wady

Czasem mylące i nieinformacyjne
Przy dłuższych tekstach wymagają więcej pracy

Budowanie chmury słów w Pythonie!

from wordcloud import WordCloud
import matplotlib.pyplot as plt

two_cities = "It was the best of times, it was the worst of times, 
        it was the age of wisdom, it was the age of foolishness, 
        it was the epoch of belief, it was the epoch of incredulity, 
        it was the season of Light, it was the season of Darkness, 
        it was the spring of hope, it was the winter of despair, 
        we had everything before us, we had nothing before us, 
        we were all going direct to Heaven, we were all going
        direct the other way – in short, the period was so far
        like the present period, that some of its noisiest
        authorities insisted on its being received, for good
        or for evil, in the superlative degree of comparison only."

Definiowanie obiektu WordCloud

cloud_two_cities = WordCloud().generate(two_cities)

# To see all arguments of the function
?WordCloud

Kolor tła
Rozmiar i czcionka słów, skalowanie
Stopwords

# How does cloud_two_cities look like?
cloud_two_cities
<wordcloud.wordcloud.WordCloud at 0x2585f286d68>

Wyświetlanie chmury słów!

plt.imshow(cloud_two_cities, interpolation='bilinear')

plt.axis('off')
plt.show()

chmura słów z czarnym tłem, zbudowana z pierwszego zdania Opowieści o dwóch miastach

Czas na ćwiczenia!

Analiza sentymentu w Pythonie