【Python】Python化妆品评论贝叶斯情感分析可视化（源码+数据集）【独一无二】

---

👉博__主👈：米码收割机
👉技__能👈：C++/Python语言
👉公众号👈：测试开发自动化【获取源码+商业合作】
👉荣__誉👈：阿里云博客专家博主、51CTO技术博主
👉专__注👈：专注主流机器人、人工智能等相关领域的开发、测试技术。

---

【Python】Python化妆品评论贝叶斯情感分析可视化（源码+数据集）【独一无二】

---

目录

• 【Python】Python化妆品评论贝叶斯情感分析可视化（源码+数据集）【独一无二】
• 设计思路
• • • 代码块分析
    • • 1. 设置环境
      • 2. 数据读取和清洗
      • 3. 数据预处理
      • 5. 数据平衡处理
      • 6. 模型训练
      • 7. 模型评估
      • 8. 可视化

---

设计思路

1. 设置环境

   • 导入必要的库，包括 pandas、re、matplotlib、seaborn、sklearn、和 imblearn 等。
   • 配置 matplotlib 以支持中文字符的显示。

2. 数据读取和清洗

   • 从 Excel 文件 data11.xlsx 中读取数据。
   • 定义并应用数据清洗函数，去除标点符号和特殊字符。
     

👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “ 贝叶斯 ” 获取，拿来即用，只回复文字哦。👈👈👈

3. 数据预处理

   • 提取评论内容 (X) 和情感标签 (y)。
   • 将数据集分割为训练集和测试集。

4. 特征提取

   • 使用 TF-IDF 向量化文本数据，转换为数值特征。

5. 数据平衡处理

   • 使用 SMOTE 方法对训练数据进行过采样，以平衡类分布。

6. 模型训练

   • 训练朴素贝叶斯分类模型。

7. 模型评估

   • 预测测试集的情感标签。
   • 计算并输出模型的准确率和分类报告。
   • 保存预测值和真实值到 CSV 文件。

8. 可视化

   • 绘制真实值与预测值的散点图。
   • 绘制混淆矩阵，以可视化分类性能。

代码块分析

1. 设置环境

import pandas as pd
import re
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
from imblearn.over_sampling import SMOTEplt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

分析：

• 导入必要的库，用于数据处理、模型训练和评估、以及可视化。
• 配置 matplotlib 以支持中文字符的显示。

👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “ 贝叶斯 ” 获取，拿来即用，只回复文字哦。👈👈👈

2. 数据读取和清洗

data = pd.read_excel('data11.xlsx', engine='openpyxl')def clean_text(text):# 代码略(至少十行)... # 代码略(至少十行)... data['clean_comments'] = data['comments'].apply(clean_text)

分析：

• 读取 Excel 数据文件。
• 定义数据清洗函数，去除评论中的标点符号和数字。
• 应用清洗函数到评论数据列。

3. 数据预处理

X = data['clean_comments']
y = data['sentiment']# 代码略(至少十行)... # 代码略(至少十行)... ```
**分析**：
- 提取清洗后的评论内容和情感标签。
- 使用 `train_test_split` 方法将数据集分割为训练集和测试集。#### 4. 特征提取```python
vectorizer = TfidfVectorizer(max_features=5000)
X_train_vectorized = vectorizer.fit_transform(X_train)# 代码略(至少十行)... # 代码略(至少十行)... 

分析：

• 使用 TF-IDF 向量化文本数据，将文本转换为数值特征。
• 训练集使用 fit_transform 方法，测试集使用 transform 方法。

👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “ 贝叶斯 ” 获取，拿来即用，只回复文字哦。👈👈👈

5. 数据平衡处理

    	# 代码略(至少十行)... # 代码略(至少十行)... 

分析：

• 使用 SMOTE 方法对训练数据进行过采样，平衡正负类的样本数量。

6. 模型训练

model = MultinomialNB()# 代码略(至少十行)... # 代码略(至少十行)... 

分析：

• 创建朴素贝叶斯分类模型实例。
• 使用平衡后的训练数据进行模型训练。

7. 模型评估

y_pred = model.predict(X_test_vectorized)# 代码略(至少十行)... # 代码略(至少十行)... 
print(f'准确率: {accuracy}')
print('分类报告:')
print(report)result_df = pd.DataFrame({'真实值': y_test, '预测值': y_pred})
result_df.to_csv('predictions.csv', index=False)

👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “ 贝叶斯 ” 获取，拿来即用，只回复文字哦。👈👈👈

分析：

• 使用测试数据进行预测。
• 计算并输出模型的准确率和分类报告。
• 将预测结果与真实标签保存到 CSV 文件。

8. 可视化

# 绘制散点图
plt.figure(figsize=(12, 6))# 代码略(至少十行)... # 代码略(至少十行)... 
plt.legend()
plt.grid(True)
plt.show()# 绘制混淆矩阵
conf_matrix = confusion_matrix(y_test, y_pred)
plt.figure(figsize=(8, 6))# 代码略(至少十行)... # 代码略(至少十行)... 
plt.ylabel('真实值')
plt.title('混淆矩阵')
plt.show()

👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “ 贝叶斯 ” 获取，拿来即用，只回复文字哦。👈👈👈

分析：

• 绘制真实值与预测值的散点图，直观展示分类结果。
• 计算混淆矩阵，并绘制热力图，以可视化分类性能。

本代码实现了从数据读取、清洗、预处理、特征提取、数据平衡处理、模型训练、模型评估到结果可视化的完整流程。通过这些步骤，能够有效地对文本数据进行情感分析，并直观地展示模型的分类效果。

👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “ 贝叶斯 ” 获取，拿来即用，只回复文字哦。👈👈👈

---