Χορηγία Δημοσίευση.

Από τη Laura Gorrieri, expert.ai

Βρείτε την έκδοση σημειωματάριου αυτού του νήματος εδώ.

Ας δημιουργήσουμε μια μικρή εφαρμογή για να ερευνήσω έναν από τους αγαπημένους μου καλλιτέχνες. Καλούνται "Η Ορχήστρα του Penguin Café»Και αν δεν τους γνωρίζετε, θα μάθετε για ποιο πράγμα πρόκειται.

Το σύνολο δεδομένων μας: μια λίστα με τις κριτικές του άλμπουμ τους που πήρα από την ιστοσελίδα του Piero Scaruffi και τις έχω αποθηκεύσει σε έναν ειδικό φάκελο.

Ο στόχος μας: για να καταλάβετε περισσότερα για έναν καλλιτέχνη χρησιμοποιώντας κριτικές άλμπουμ.

Ο πρακτικός μας στόχος: για να δούμε πώς NL API του expert.ai λειτουργεί και τι μπορεί να κάνει.

Τι είναι το The Penguin Café Orchestra;

Αρχικά ας δούμε τι προκύπτει από τις κριτικές αναλύοντας απλώς τις λέξεις που χρησιμοποιούνται σε αυτές. Αρχικά θα συνδυάσουμε όλες τις κριτικές σε μία μεταβλητή, προκειμένου να έχουμε μια κριτική ολόκληρου καλλιτέχνη. Στη συνέχεια, θα ρίξουμε μια ματιά στις πιο συχνές λέξεις σε αυτές, ελπίζοντας ότι θα αποκαλύψουν περισσότερα για την Penguin Café Orchestra.

## Κωδικός για επανάληψη στο φάκελο του καλλιτέχνη και συνένωση των κριτικών άλμπουμ σε μια κριτική ενός καλλιτέχνη
εισαγωγή os artist_review = "" artist_path = "penguin_cafe_orchestra" albums = os.listdir (artist_path) for άλμπουμ in άλμπουμ: album_path = os.path.join (artist_path, album)
      με άνοιγμα (album_path, 'r', encoding = 'utf8') as αρχείο: review = file.read () artist_review += review

Χρησιμοποιώντας μια ρηχή γλωσσολογική προσέγγιση, μπορούμε να διερευνήσουμε την κριτική καλλιτέχνη, η οποία περιέχει όλες τις διαθέσιμες κριτικές. Για να το κάνουμε αυτό, χρησιμοποιούμε matplotlib και word cloud για να δημιουργήσουμε ένα σύννεφο λέξεων που θα μας πει περισσότερα για τις πιο συχνές λέξεις στο κείμενο.

 
# Εισαγωγή πακέτων

εισαγωγή matplotlib.pyplot as plt %matplotlib inline # Ορίστε μια συνάρτηση για να σχεδιάσετε το σύννεφο λέξεων
def plot_cloud(wordcloud): # Ορίστε το μέγεθος του σχήματος plt.figure (figsize = (30, 10)) # Εμφάνιση εικόνας plt.imshow (wordcloud) # Δεν υπάρχουν λεπτομέρειες άξονα plt.axis ("off"); # Εισαγωγή πακέτου
από wordcloud εισαγωγή WordCloud, STOPWORDS # Δημιουργήστε σύννεφο λέξεων
wordcloud = WordCloud (πλάτος = 3000, ύψος = 2000, random_state = 1, background_color = 'white', collocations =Ψευδής, stopwords = STOPWORDS) .generate (artist_review) # Οικόπεδο
plot_cloud (wordcloud)

Εικ.1: Ένα σύννεφο λέξεων στο οποίο οι πιο χρησιμοποιούμενες λέξεις εμφανίζονται σε μεγαλύτερη γραμματοσειρά και οι λιγότερο χρησιμοποιούμενες σε μικρότερη γραμματοσειρά.

Πώς σας κάνει να νιώθετε η μουσική τους;

Χάρη στη λέξη σύννεφο, γνωρίζουμε περισσότερα για την ορχήστρα The Penguin Café. Γνωρίζουμε ότι χρησιμοποιούν όργανα όπως το ukulele, το πιάνο και το βιολί και ότι αναμιγνύουν είδη όπως το λαϊκό, το έθνικ και το κλασικό.

Ακόμα, δεν έχουμε ιδέα για το στυλ του καλλιτέχνη. Μπορούμε να μάθουμε περισσότερα κοιτάζοντας ποια συναισθήματα προκύπτουν από τη δουλειά τους.

Για να το κάνουμε αυτό, θα χρησιμοποιήσουμε το NL API του Expert.ai. Παρακαλώ εγγραφείτε εδώ, βρείτε την τεκμηρίωση στο SDK εδώ και στα χαρακτηριστικά εδώ.

### Εγκαταστήστε το Python SDK

! pip εγκατάσταση expertai-nlapi ## Κωδικός για την αρχικοποίηση του πελάτη και στη συνέχεια τη χρήση της ταξινόμησης των συναισθηματικών χαρακτηριστικών εισαγωγή os από Expertai.nlapi.cloud.client εισαγωγή 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 = {'ταξινόμηση': 'συναισθηματικά χαρακτηριστικά', 'γλώσσα': 'el'}) for κατηγορία in έξοδος.κατηγορίες: συναίσθημα = κατηγορία.βαρά ετικέτας = κατηγορία.συχνότητες συναισθημάτων.προσθέστε (συναίσθημα) βάρη. προσαρτήστε (βάρος) εκτύπωση (συναισθήματα) εκτύπωση (βάρη)

[«Ευτυχία», «Ενθουσιασμός», «Χαρά», «Διασκέδαση», «Αγάπη»]
[15.86, 31.73, 15.86, 31.73, 4.76]

Για την ανάκτηση βαρών χρησιμοποιήσαμε τη "συχνότητα" που είναι στην πραγματικότητα ένα ποσοστό. Το άθροισμα όλων των συχνοτήτων είναι 100. Αυτό καθιστά τις συχνότητες των συναισθημάτων έναν καλό υποψήφιο για ένα διάγραμμα πίτας, που σχεδιάζεται χρησιμοποιώντας το matplotlib.

# Εισαγωγή βιβλιοθηκών

από matplotlib εισαγωγή pyplot as plt
εισαγωγή πολλοί as np # Δημιουργία πλοκής
χρώματα = ['#0081a7', '#2a9d8f', '#e9c46a', '#f4a261', '#e76f51'] fig = plt.figure (figsize = (10, 7)) plt.pie (βάρη, ετικέτες = συναισθήματα, χρώματα = χρώματα, autopct = '%1.1f %%') # εμφάνιση πλοκής
plt.show ()

Εικ.2: Ένα διάγραμμα πίτας που αντιπροσωπεύει κάθε συναίσθημα και το ποσοστό του.

Ποιο είναι το καλύτερο τους άλμπουμ;

Αν θέλατε να αρχίσετε να τους ακούτε, για να δείτε αν νιώθετε τα ίδια συναισθήματα που βρήκαν οι Scaruffis στη δουλειά τους, από πού θα μπορούσατε να ξεκινήσετε; Μπορούμε να ρίξουμε μια ματιά στην ανάλυση συναισθημάτων για κάθε άλμπουμ και να πάρουμε μια ιδέα για τα καλύτερα. Για να γίνει αυτό, επαναλαμβάνουμε την κριτική κάθε άλμπουμ και χρησιμοποιούμε το expert.ai NL API για να ανακτήσουμε το συναίσθημα και τη δύναμή του.

## Κωδικός για επανάληψη σε κάθε άλμπουμ και ανάκτηση του συναισθήματος

sentiment_ratings = [] albums_names = [άλμπουμ [:-4] for άλμπουμ in άλμπουμ] for άλμπουμ in άλμπουμ: album_path = os.path.join (artist_path, album) με άνοιγμα (album_path, 'r', encoding = 'utf8') as file: review = file.read () output = client.specific_resource_analysis (body = {"document": {"text": review}}, params = {'language': 'en', 'resource': 'sentiment'} ) sentiment = output.sentiment.overall sentiment_ratings.append (sentiment) εκτύπωση (albums_names) print (sentiment_ratings)

['Broadcasting From Home', 'Concert Program', 'Music From the Penguin Cafe', 'Signs of Life']
[11.6, 2.7, 10.89, 3.9]
 

Τώρα μπορούμε να οπτικοποιήσουμε το συναίσθημα για κάθε αναθεώρηση χρησιμοποιώντας ένα γράφημα ράβδων. Αυτό θα μας δώσει γρήγορη οπτική ανατροφοδότηση για το καλύτερο άλμπουμ της The Penguin Cafe Orchestra και για την καριέρα τους. Για να το κάνουμε αυτό χρησιμοποιούμε για άλλη μια φορά το matplotlib.

εισαγωγή matplotlib.pyplot as plt plt.style.use ('ggplot') albums_names = [όνομα [:-4] for όνομα in άλμπουμ] plt.bar (albums_names, sentiment_ratings, color = '#70A0AF') plt.ylabel ("Album rating") plt.title ("Ratings of Penguin Cafe Orchestra's album") plt.xticks (albums_names, rotation = 70) plt .προβολή()

Αρχικά δημοσιεύτηκε εδώ.