آخر برعاية.

بقلم لورا جوريري ، خبير

يرجى العثور على نسخة دفتر الملاحظات من هذا الموضوع هنا.

لنقم ببناء تطبيق صغير للتحقيق في أحد الفنانين المفضلين لدي. يطلق عليهم "أوركسترا بنجوين كافيه"وإذا كنت لا تعرفهم ، فستكتشف ما يدور حولهم.

مجموعة البيانات الخاصة بنا: قائمة بمراجعات ألبوماتهم التي أخذتها من موقع Piero Scaruffi وحفظتها في مجلد مخصص.

هدفنا: لفهم المزيد عن الفنان الذي يستخدم مراجعات الألبوم.

هدفنا العملي: لنرى كيف NL API من الخبير يعمل وماذا يمكن أن تفعل.

ما هو موضوع أوركسترا بنجوين كافيه؟

أولاً ، دعنا نرى ما يخرج من المراجعات بمجرد تحليل الكلمات المستخدمة فيها. سنقوم أولاً بتجميع جميع المراجعات في متغير واحد ، من أجل الحصول على مراجعة كاملة للفنان. ثم سنلقي نظرة على الكلمات الأكثر شيوعًا فيها ، على أمل أن تكشف المزيد في Penguin Café Orchestra.

## رمز للتكرار على مجلد الفنان ومراجعات الألبومات المتسلسلة في مراجعة فنان واحد
استيراد os artist_review = 'artist_path =' penguin_cafe_orchestra 'ألبومات = os.listdir (artist_path) For ألبوم in ألبومات: Album_path = os.path.join (مسار الفنان ، الألبوم)
      مع مفتوح (Album_path، 'r'، encoding = 'utf8') as الملف: مراجعة = file.read () artist_review + = review

باستخدام نهج اللغويات السطحية يمكننا التحقيق في مراجعة الفنان ، والتي تحتوي على جميع المراجعات المتاحة. للقيام بذلك ، نستخدم matplotlib وسحابة الكلمات لإنتاج سحابة كلمات تخبرنا المزيد عن الكلمات الأكثر شيوعًا في النص.

 
# حزم استيراد

استيراد matplotlib.pyplot as plt٪ matplotlib مضمنة # تحديد وظيفة لرسم سحابة الكلمات
صفر مؤامرة_كلود(كلمة سحابة): # تعيين حجم الرقم شكل plt (حجم التين = (30 ، 10)) # هذه الصورة ليست للعرض plt.imshow (wordcloud) # لا توجد تفاصيل المحور plt.axis ("off") ؛ # حزمة استيراد
تبدأ من كلمة سحابة استيراد WordCloud ، STOPWORDS # إنشاء سحابة الكلمات
wordcloud = WordCloud (العرض = 3000 ، الارتفاع = 2000 ، الحالة العشوائية = 1 ، background_color = 'الأبيض' ، التجميعات =خطأ، stopwords = STOPWORDS). Generate (artist_review) # قطعة
plot_cloud (wordcloud)

الشكل 1: سحابة كلمات تظهر فيها الكلمات الأكثر استخدامًا بخط أكبر والأقل استخدامًا بخط أصغر.

كيف تجعلك موسيقاهم تشعر؟

بفضل سحابة الكلمات ، نعرف المزيد عن The Penguin Café Orchestra. نعلم أنهم يستخدمون آلات مثل القيثارة والبيانو والكمان ، وأنهم يخلطون بين الأنواع الموسيقية مثل الشعبية والعرقية والكلاسيكية.

ومع ذلك ، ليس لدينا أي فكرة عن أسلوب الفنان. يمكننا معرفة المزيد من خلال النظر إلى المشاعر التي تأتي من عملهم.

للقيام بذلك ، سنستخدم واجهة برمجة تطبيقات NL الخاصة بـ Expert.ai's. الرجاء التسجيل هنا، ابحث عن الوثائق على SDK هنا وعلى الميزات هنا.

### قم بتثبيت Python SDK

! نقطة تثبيت expertai-nlapi ## رمز لتهيئة العميل ثم استخدام تصنيف السمات العاطفية استيراد os تبدأ من Expertai.nlapi.cloud.client استيراد ExpertAiClient client = ExpertAiClient () os.environ ["EAI_USERNAME"] = 'your_username' os.environ ["EAI_PASSWORD"] = 'your_password' emotions = [] weights = [] output = client.classification (body = {"document" : {"text": artist_review}}، params = {'التصنيف': 'dynamic-traits'، 'language': 'en'}) For الفئة in الإخراج.الفئات: العاطفة = الفئة.وزن الملصق = الفئة.

["السعادة" ، "الإثارة" ، "الفرح" ، "التسلية" ، "الحب"]
[15.86 ، 31.73 ، 15.86 ، 31.73 ، 4.76]

لاسترجاع الأوزان استخدمنا "التردد" وهو في الواقع نسبة مئوية. مجموع كل الترددات هو 100. هذا يجعل ترددات العواطف مرشحًا جيدًا لرسم بياني دائري ، يتم رسمه باستخدام matplotlib.

# استيراد المكتبات

تبدأ من matplotlib استيراد Pyplot as معاهدة قانون البراءات
استيراد نمباي as np # إنشاء المؤامرة
الألوان = ['# 0081a7'، '# 2a9d8f'، '# e9c46a'، '# f4a261'، '# e76f51'] fig = plt.figure (figsize = (10، 7)) plt.pie (الأوزان ، الملصقات = العواطف ، الألوان = الألوان ، تلقائي = '٪ 1.1f ٪٪') # عرض مؤامرة
plt.show ()

الشكل 2: مخطط دائري يمثل كل عاطفة ونسبتها المئوية.

ما هو أفضل ألبوم لهم؟

إذا كنت تريد البدء في الاستماع إليهم ، لمعرفة ما إذا كنت تشعر بنفس المشاعر التي وجدها Scaruffis في عملهم ، فمن أين يمكنك أن تبدأ؟ يمكننا إلقاء نظرة على تحليل المشاعر لكل ألبوم والحصول على فكرة عن أفضل الألبومات. للقيام بذلك ، نكرر مراجعة كل ألبوم ونستخدم Expert.ai NL API لاستعادة مشاعرهم وقوتها.

## رمز التكرار على كل ألبوم واسترجاع المشاعر

sentiment_ratings = [] albums_names = [الألبوم [: - 4] For ألبوم in ألبومات] For ألبوم in ألبومات: Album_path = os.path.join (مسار الفنان ، الألبوم) مع مفتوح (Album_path، 'r'، encoding = 'utf8') as file: review = file.read () output = client.specific_resource_analysis (body = {"document": {"text": review}}، params = {'language': 'en'، 'Resource': 'sentiment'} ) المعنويات = output.sentiment.overall sentiment_ratings.append (العاطفة) طباعة (albums_names) print (sentiment_ratings)

["البث من المنزل" ، "برنامج الحفلات الموسيقية" ، "الموسيقى من مقهى البطريق" ، "علامات الحياة"]
[11.6 ، 2.7 ، 10.89 ، 3.9]
 

الآن يمكننا تصور المشاعر لكل مراجعة باستخدام مخطط شريطي. سيعطينا هذا ملاحظات مرئية سريعة حول أفضل ألبوم لأوركسترا The Penguin Cafe ، وحول مسيرتهم المهنية. للقيام بذلك نستخدم matplotlib مرة أخرى.

استيراد matplotlib.pyplot as plt plt.style.use ('ggplot') albums_names = [الاسم [: - 4] For الاسم in ألبومات] plt.bar (albums_names، sentiment_ratings، color = '# 70A0AF') plt.ylabel ("تصنيف الألبوم") plt.title ("تقييمات ألبوم Penguin Cafe Orchestra") plt.xticks (albums_names، rotation = 70) plt .مشاهده()

نشرت أصلا هنا.