利用pandas+python制作100G亚马逊用户评论数据词云

我们手里面有一个差不多100G的亚马逊用户在购买商品后留下的评论数据(数据格式为json)。我们需要统计这100G数据中,出现频率最高的100个词语。然后制作一个词云表现表现出来,所谓的词云,就是类似于这样的一张图片

,显然还是图片让我们对单词出现的热度一目了然。

问题难点

  1. 数据量太大,而我的电脑内存只有32G,无法将数据一次性装入内存。需要我们队数据进行分块处理。在解决问题之前,我们需要对要处理的数据一探究竟。我的数据来源是公开的,由MIT一位教授放在亚马逊用户评论数据,http://jmcauley.ucsd.edu/data/amazon/ 只需要给他发一个邮件,说一下自己的意图,就可以直接下载了。下面我结合着代码,介绍整个项目的流程。

import dask.bag as db import ujson as json #听说用ujson解析比普通json快好几倍哦 import pandas as pd import numpy as np import gzip #解析gzip等压缩文件 import re b = db.from_filenames(r'E:\研究生阶段课程作业\python\zhihu_bigdata\complete.json.gz',encoding='utf-8').map(json.loads) b.take(1) #检查数据的格式 >>out[1]:'asin': 'B003UYU16G', 'helpful': [0, 0], 'overall': 5.0, 'reviewText': "It is and does exactly what the description said it would be and would do. Couldn't be happier with it.", 'reviewTime': '11 21, 2012', 'reviewerID': 'A00000262KYZUE4J55XGL', 'reviewerName': 'Steven N Elich', 'summary': "Does what it's supposed to do", 'unixReviewTime': 1353456000}

在这段代码中,我们首先读取complete.json.gz里面的数据,这里我用到了dask里面的bag类型,dask会根据你的内存情况来适当读取不超过内存大小的数据

。 因为我们只对里面的 "reviewText"字段感兴趣,我们对其他的字段直接忽略。在提取" "reviewText"数据之前,我们看一下需要处理多少行这样的数据。

print(sum([1 for _ in gzip.open(r'E:\研究生阶段课程作业\python\zhihu_bigdata\complete.json.gz')])) #计算用户的评论数目 out[2]:143674325 #差不多1.5亿行数据,在我电脑上跑了差不多三分钟

没错,只有一行数据,不用把数据全部装入内存,我们就可以计算这100G数据,究竟有多少个类似于out[1]这样的数据段。你问我为什么喜欢python,这就是理由,因为他强大,简洁,优雅,代码可读性好。

我们需要处理的数据差不多有100G,远超我们的内存极限。

采用的步骤如下:

step 1:对每一个用户数据,转化成字典结构。

step 2: 提取里面的 reviewText

step 3: 使用分词,把句子转化成单词

step 4:对每个单词进行hash,对于相同的hash值,写进txt文件

step 5: 对于同一个单词,肯定在一个txt文件中,分别统计单词的出现频率

step 6: 制作词云

在这片文章的剩下内容,我将针对这六个步骤进行详细讲解:

tempDir = 'E:/研究生阶段课程作业/python/好玩的数据分析/制作亚马逊200G用户评论词云' #把评论数据分散到这个文件下下面的100个txt文件 pattern = re.compile(r'\w+') #编译正则表达式,把短句转化成list def hashFile(): temp_path_list = [] for i in range(1,101): temp_path_list.append(open(tempDir+'/'+str(i)+'.txt',mode='w')) for each in (gzip.open(r'E:\研究生阶段课程作业\python\zhihu_bigdata\complete.json.gz')): sentence = eval(each) # turn string to dict words = sentence['reviewText'] #提取 reviewText words_list = pattern.findall(words) # example:words:"I love china" to words_list:["I","love","china"] #print(words_list) for word in words_list: if not word.lower() in stopwords and len(word) >= 2: #忽略一些太简单的单词,例如“a”,"an",把你不想要的的单词全部放在stopwords中。最好是set格式的stopwords。 word = word.lower() #全部为小写单词 print(hash(word)%100) #对单词进行hash,相同的单词一定会hash到同一个文件中 temp_path_list[hash(word)%100].write(word+'\n') #写入文件 for f in temp_path_list: f.close() hashFile()

以上的一段代码,首先是遍历100G的数据,提取每一行中的我们感兴趣的部分。然后使用正则表达式,把字符串转化成单词列表,过滤到我们不感兴趣的单词。对剩下的单词进行hash,这样我们可以把相同的单词写到同一个文件中,因为我们的目标是找出出现频率前1000的单词,那么我们只要对这1000个文件,各自找出出现频率在1000以内的单词,在进行排序,即可得出最终的结果。

经过上面的步骤,我们已经把可能相同的单词放在了一个文件中,共计100个文件 下面分别读取每个文件到一个列表中 计算每个列表出现频率最高的1000个单词 最后在找出100个文件中出现频率最高的1000个单词 import os from collections import Counter results = Counter() # 初始化 for root, dirs, files in os.walk(r'E:\研究生阶段课程作业\python\好玩的数据分析\制作亚马逊200G用户评论词云'): for file in files: with open(os.path.join(root, file)) as f: words_list = f.readlines() words_list = list(map(lambda x: x.strip('\n'),words_list)) word_common_1000 = Counter(words_list).most_common(1000) results.update(word_common_1000)

以上的一段代码,把100个txt里面的单词,分别遍历,找出每个出现频率为1000的单词,全部放在results中

import heapq words_fren_list = list(results.keys()) words_fren_list_100 = heapq.nlargest(100,words_fren_list,key = lambda x:x[1])

哈哈大功告成,特别提醒一下,这里我是用了一个小的trick,找出出现频率最高的100个单词的时候,我并没有对全部数据进行排序,而是使用了heaapq中的nlarges函数,可以提升不小的效率。

最后根据这些词出现的频率,画出词云。

from wordcloud import WordCloud wordcloud = WordCloud(max_font_size=40, relative_scaling=.5).fit_words(words_fren_list_100) import matplotlib.pyplot as plt plt.imshow(wordcloud) plt.axis("off") plt.imshow()

最后的结果如下图所示:

原文发布于微信公众号 - 大数据挖掘DT数据分析(datadw)

原文发表时间:2017-04-09

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏令仔很忙

UML总结

   描述类与类之间的使用与被使用关系,而其使用关系具有偶然性的、临时性的、非常弱的,但是被使用的一方会影响到使用的一方,比如说:“动物”和“氧气”,动物的生活...

10010
来自专栏牛客网

拼多多、网易、华为面经

统共面试了三家公司,本来打算偷懒不打算写面经,不过还是写一下吧,如果能帮到人的应该也算是件好事,具体的事件太久忘了

22910
来自专栏CDA数据分析师

为什么说 Python 是数据科学的发动机(二)工具篇(附视频中字)

毋庸置疑,Python是用于数据分析的最佳编程语言,因为它的库在存储、操作和获取数据方面有出众的能力。 在PyData Seattle 2017中,Jake V...

240100
来自专栏yw的数据分析

R语言写2048游戏

       2048 是一款益智游戏,只需要用方向键让两两相同的数字碰撞就会诞生一个翻倍的数字,初始数字由 2 或者 4 构成,直到游戏界面全部被填满,游戏结...

59940
来自专栏逍遥剑客的游戏开发

PhysX学习笔记(3): 动力学(2) Actor

21020
来自专栏数据结构与算法

P1064 金明的预算方案

题目描述 金明今天很开心,家里购置的新房就要领钥匙了,新房里有一间金明自己专用的很宽敞的房间。更让他高兴的是,妈妈昨天对他说:“你的房间需要购买哪些物品,怎么布...

37280
来自专栏伪君子的梦呓

用 Python 分析微信好友性别比例

0 前言 上一次是用 python 实现聊天机器人,其中提及到 itchat 这个包,使用了一下,发现挺好玩的,找了相关的代码看了一下,发现可以用来分析微信好...

49870
来自专栏CSDN技术头条

Weiflow:微博也有机器学习框架?

本文从开发效率(易用性)、可扩展性、执行效率三个方面,介绍了微博机器学习框架Weiflow在微博的应用和最佳实践。 在上期《基于Spark的大规模机器学习在微博...

34980
来自专栏宏伦工作室

基于维基百科的中文词语相关度计算

19830
来自专栏Aloys的开发之路

OOAD与UML笔记

UML基础介绍 1.UML的定义 统一建模语言(UML)是一种图形化的语言,它可以帮助我们在OOAD过程中标识元素、构建模块、分析过程并可通过文档说明系统中的重...

20480

扫码关注云+社区

领取腾讯云代金券