#python #html #machine-learning #frontend #sentiment-analysis
Вопрос:
Я создаю проект по анализу настроений, который можно использовать для любого языка. Вот как это работает: в конце части кода «результат» переводит предложение на английский язык. Затем функция predict_function(result.text) классифицирует текст на английском языке как положительный, отрицательный или нейтральный.
Код отлично работает, если я запускаю его отдельно. Теперь я пытаюсь сделать интерфейс, и единственная проблема в том, что я не могу понять, как связать с ним функцию prediction_function. Функция перевода там работает, но единственное, что осталось,-это классифицировать переведенный текст на интерфейсе. Я новичок в этом, и я действительно внес много изменений, но не смог заставить это работать.
Это весь мой код: (Я думаю, нет необходимости просматривать весь код, потому что я чувствую, что проблема в конечной части, после строки @app.route (‘/’, методы=[‘POST’]))
from flask import Flask, request, render_template
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
import nltk
import pandas as pd
import numpy as np
import seaborn as sns
import regex as re
import math
import googletrans
from googletrans import Translator
from nltk.tokenize import word_tokenize
app = Flask(__name__)
@app.route('/')
def my_form():
return render_template('form.html')
df = pd.read_csv('C:/Users/path/file.csv')
df = df.rename(columns = {'clean_text':'Comment'})
df.head()
df.describe()
cat = []
for val in df['category'].values:
if val not in cat:
cat.append(val)
print(cat)
index_arr = []
for index, val in df.iterrows():
if val['category'] not in [-1.0, 0.0, 1.0]:
index_arr.append(index)
print(index_arr)
df.drop(index_arr, axis = 0, inplace = True)
sns.countplot(x='category',data=df)
def clean_comments(comment):
comment = re.sub(r'$w*', '', str(comment))
comment = re.sub(r'^RT[s] ', '', str(comment))
comment = re.sub(r'https?://.*[rn]*', '', str(comment))
comment = re.sub(r'#', '', str(comment))
comment = re.sub(r"@[^s] [s]?",'',comment)
comment = re.sub('[^ a-zA-Z0-9]', '', comment)
comment = re.sub('[0-9]', '', comment)
return comment
df['Comment'] = df['Comment'].apply(clean_comments)
df.head()
nltk.download('stopwords')
from nltk.corpus import stopwords
stop_words = stopwords.words('english')
def removing_stopwords(words):
cleaned_tokens = []
for val in words.split(' '):
val = val.lower()
if val not in stop_words and val != '':
cleaned_tokens.append(val)
return(cleaned_tokens)
df['Comment'] = df['Comment'].apply(removing_stopwords)
df.head()
from nltk.stem.porter import PorterStemmer
def stem_comments(words):
ps = PorterStemmer()
stemmed_review = []
for review in words:
stemmed_review.append(ps.stem(review))
return stemmed_review
df['Comment'] = df['Comment'].apply(stem_comments)
df.head()
temp = df.iloc[:,0].values
X = [' '.join(ele) for ele in temp]
X = np.array(X)
Y = df.iloc[:,1].values
from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer = TfidfVectorizer(max_features=5000)
X = vectorizer.fit_transform(X).toarray()
print(X.shape)
print(Y[:5])
print(Y.shape)
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size = 0.01)
print(X_train.shape, y_train.shape, X_test.shape, y_test.shape)
del X
del Y
del temp
del df
from sklearn.naive_bayes import MultinomialNB
classifier = MultinomialNB()
classifier.fit(X_train, y_train)
y_pred = classifier.predict(X_test)
from sklearn.metrics import confusion_matrix, accuracy_score
cm = confusion_matrix(y_test, y_pred)
print(cm)
print("Accuracy = ", accuracy_score(y_pred, y_test))
import seaborn as sn
from matplotlib.figure import Figure
df_cm = pd.DataFrame(cm, index = [0,1,2],columns = [0,1,2])
f = Figure(figsize = (20,10))
sn.heatmap(df_cm, annot=True)
def predict_function(sentence):
sentence = clean_comments(sentence)
sentence = removing_stopwords(sentence)
sentence = stem_comments(sentence)
X = [' '.join([str(elem) for elem in sentence])]
X = np.array(X)
X = vectorizer.transform(X).toarray()
result = classifier.predict(X)
if result == -1.0:
print("Negative")
elif result == 0.0:
print("Neutral")
else:
print("Positive")
@app.route('/', methods=['POST'])
def my_form_post():
text1 = request.form['text1'].lower()
translator = Translator(service_urls=['translate.googleapis.com'])
result = translator.translate(text1, dest='en')
senti=predict_function(result.text)
return render_template('form.html', final=result.text, last=senti, text1=text1)
if __name__ == "__main__":
app.run(debug=True, host="127.0.0.1", port=5002, threaded=True)
HTML-код для интерфейса:
<body>
<h1>Welcome To Sentiment Analyzer</h1>
<form method="POST">
<textarea name="text1" placeholder="Say Something: ...." rows="10" cols="109"></textarea><br><br>
<input class="example_a" type="submit">
</form>
{% if final %}
<div>
<h2>The Sentiment of</h2> '{{ text1 }}' <h2>is {{ final }} </h2> <h2>is {{ last }} </h2>
{% else %}
<p></p>
{% endif %}
</div>
</body>
Комментарии:
1. Не могли бы вы предоставить обратную связь или описание ошибки, которую вы получаете?
2. На самом деле я не получаю никакой ошибки. Он просто показывает «Нет» каждый раз вместо «положительного» или «отрицательного». Вот так: Значение (введенный текст) равно (переведенный текст) равно (Нет). Вместо «Ничего» он должен показывать положительный результат.
Ответ №1:
В своей функции predict_function вы не возвращаете никакого значения, просто печатаете, положительное оно или нет. Попробуйте заменить эти инструкции печати в конце инструкциями возврата.