پست حمایت شده

توسط لورا گوریری، expert.ai

لطفا نسخه نوت بوک این تاپیک را پیدا کنید اینجا کلیک نمایید.

بیایید یک برنامه کوچک برای بررسی یکی از هنرمندان مورد علاقه من بسازیم. آنها به نام "ارکستر کافه پنگوئنو اگر آنها را نمی شناسید، می خواهید بفهمید که آنها در مورد چه چیزی هستند.

مجموعه داده ما: لیستی از نقدهای آلبوم آنها که از وب سایت پیرو اسکاروفی برداشتم و در یک پوشه اختصاصی ذخیره کردم.

هدف ما: برای درک بیشتر درباره یک هنرمند با استفاده از نظرات آلبوم.

هدف عملی ما: ببینم چطوری API NL expert.ai کار می کند و آنچه می تواند انجام دهد.

ارکستر کافه پنگوئن درباره چیست؟

ابتدا بیایید ببینیم که از بررسی ها فقط با تجزیه و تحلیل کلمات استفاده شده در آنها چه چیزی به دست می آید. ما ابتدا همه نظرات را در یک متغیر به هم می‌پیوندیم تا یک بررسی کامل هنرمند داشته باشیم. سپس ما قصد داریم به پرتکرارترین کلمات در آنها نگاهی بیندازیم، امیدواریم که بیشتر در ارکستر کافه پنگوئن آشکار شود.

## کد برای تکرار در پوشه هنرمند و الحاق نظرات آلبوم ها در یک نقد هنرمند
واردات os artist_review = '' artist_path = آلبوم های 'penguin_cafe_orchestra' = os.listdir(artist_path) برای البوم in آلبوم ها: album_path = os.path.join(artist_path, album)
      با open(album_path, 'r', encoding = 'utf8') as file: review = file.read() artist_review += review

با استفاده از یک رویکرد زبان شناسی سطحی، می توانیم نقد هنرمند را بررسی کنیم که شامل تمام بررسی های موجود است. برای انجام این کار، از matplotlib و word cloud برای تولید یک ابر کلمه استفاده می کنیم که بیشتر در مورد کلمات متداول در متن به ما می گوید.

 
# بسته های وارداتی

واردات matplotlib.pyplot as plt %matplotlib درون خطی # یک تابع برای رسم ابر کلمه تعریف کنید
دف plot_cloud(ورد ابر): # اندازه شکل را تنظیم کنید plt.figure(figsize=(30)) #نمایش تصویر plt.imshow(wordcloud) # بدون جزئیات محور plt.axis ("خاموش"); # بسته واردات
از جانب wordcloud واردات WordCloud، STOPWORDS # ابر کلمه تولید کنید
wordcloud = WordCloud(عرض = 3000، ارتفاع = 2000، حالت_تصادفی=1، پس‌زمینه_رنگ="سفید"، collocations=غلط, stopwords = STOPWORDS).generate(artist_review) # طرح
plot_cloud (wordcloud)

شکل 1: یک ابر کلمه که در آن بیشترین استفاده از کلمات با فونت بزرگتر و کمتر استفاده شده با فونت کوچکتر ظاهر می شود.

موسیقی آنها چه احساسی در شما ایجاد می کند؟

به لطف کلمه ابر، ما اطلاعات بیشتری در مورد ارکستر کافه پنگوئن داریم. ما می دانیم که آنها از سازهایی مانند یوکلل، پیانو و ویولن استفاده می کنند و ژانرهایی مانند فولک، قومی و کلاسیک را با هم ترکیب می کنند.

با این حال، ما هیچ ایده ای از سبک هنرمند نداریم. با نگاه کردن به اینکه چه احساساتی از کار آنها بیرون می آید، می توانیم بیشتر بدانیم.

برای این کار، از NL API expert.ai استفاده می کنیم. لطفا ثبت نام کنید اینجا کلیک نمایید، اسناد را در SDK بیابید اینجا کلیک نمایید و در مورد ویژگی ها اینجا کلیک نمایید.

### SDK پایتون را نصب کنید

!pip install expertai-nlapi کد ## برای مقداردهی اولیه مشتری و سپس از طبقه بندی ویژگی های احساسی استفاده کنید واردات os از جانب ekspertai.nlapi.cloud.client واردات ExpertAiClient Client = ExpertAiClient() os.environ["EAI_USERNAME"] = 'your_username' os.environ["EAI_PASSWORD"] = 'your_password' emotions =[] weights = [] output = client.classification(body={"docu : {"text": artist_review}}، params={'taxonomy': 'emotional-traits', 'language': 'en'}) برای دسته in output.categories: emotion = دسته. وزن برچسب = دسته. فرکانس احساسات.append(emotion) weights.append(weight) print(emotions) print(weights)

['شادی'، 'هیجان'، 'شادی'، 'سرگرمی'، 'عشق']
[15.86 ، 31.73 ، 15.86 ، 31.73 ، 4.76]

برای بازیابی وزن ها از "فرکانس" استفاده کردیم که در واقع یک درصد است. مجموع همه فرکانس ها 100 است. این باعث می شود که فرکانس احساسات کاندید خوبی برای نمودار دایره ای باشد که با استفاده از matplotlib رسم می شود.

# کتابخانه ها را وارد کنید

از جانب ماتپلوتلب واردات پای طرح as plt
واردات بی حس as np # ایجاد طرح
colors = ['#0081a7','#2a9d8f','#e9c46a','#f4a261', '#e76f51'] fig = plt.figure(figsize =(10, 7)) plt.pie(weights, labels = احساسات، رنگ ها=رنگ ها، autopct='%1.1f%%') # نمایش طرح
plt.show ()

شکل 2: نمودار دایره ای که هر احساس و درصد آن را نشان می دهد.

بهترین آلبوم آنها چیست؟

اگر می خواستید شروع به گوش دادن به آنها کنید، تا ببینید آیا همان احساساتی را که اسکاروفیس در کار آنها یافت، احساس می کنید، از کجا می توانید شروع کنید؟ می‌توانیم نگاهی به تحلیل احساسات برای هر آلبوم بیندازیم و ایده‌ای از بهترین آنها داشته باشیم. برای انجام این کار، مرور هر آلبوم را تکرار می‌کنیم و از expert.ai NL API برای بازیابی احساسات و قدرت آن‌ها استفاده می‌کنیم.

## کد برای تکرار در هر آلبوم و بازیابی احساس

sentiment_ratings = [] albums_names = [آلبوم[:-4] برای البوم in آلبوم ها] برای البوم in آلبوم ها: album_path = os.path.join(artist_path, album) با open(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) print(name_albums) print(sentiment_ratings)

['پخش از خانه'، 'برنامه کنسرت'، 'موسیقی از کافه پنگوئن'، 'نشانه های زندگی']
[11.6 ، 2.7 ، 10.89 ، 3.9]
 

اکنون می‌توانیم احساسات را برای هر مرور با استفاده از نمودار میله‌ای تجسم کنیم. این به ما بازخورد بصری سریعی در مورد بهترین آلبوم The Penguin Cafe Orchestra و حرفه آنها می دهد. برای این کار یک بار دیگر از matplotlib استفاده می کنیم.

واردات matplotlib.pyplot as plt plt.style.use('ggplot') albums_names = [name[:-4] برای نام in albums] plt.bar(albums_names, sentiment_ratings, color='#70A0AF') plt.ylabel("امتیاز آلبوم") plt.title("Ratings of Penguin Cafe Orchestra's album") plt.xticks(albums_names, rotation=70) plt .show()

نوشته شده در اصل اینجا کلیک نمایید.