snownlps是用Python写的个中文情感分析的包，自带了中文正负情感的训练集，主要是评论的语料库。使用的是朴素贝叶斯原理来训练和预测数据。主要看了一下这个包的几个主要的核心代码，看的过程作了一些注释，记录一下免得以后再忘了。
1. sentiment文件夹下的__init__.py，主要是集成了前面写的几个模块的功能，进行打包。
# -*- coding: utf-8 -*-
from __future__ import unicode_literals import os
import codecs from .. import normal
from .. import seg
from ..classification.bayes import Bayes data_path = os.path.join(os.path.dirname(os.path.abspath(__file__)),
'sentiment.marshal') class Sentiment(object): def __init__(self):# 实例化Bayes()类作为属性，下面的很多方法都是调用的Bayes()的方法完成的
self.classifier = Bayes() def save(self, fname, iszip=True):# 保存最终的模型
self.classifier.save(fname, iszip) def load(self, fname=data_path, iszip=True):
self.classifier.load(fname, iszip)# 加载贝叶斯模型 # 分词以及去停用词的操作
def handle(self, doc):
words = seg.seg(doc)# 分词
words = normal.filter_stop(words)# 去停用词
return words# 返回分词后的结果，是一个list列表 def train(self, neg_docs, pos_docs):
data = []
for sent in neg_docs:# 读入负样本
data.append([self.handle(sent), 'neg'])
# 所以可以看出进入bayes（）的训练的数据data格式是[[[第一行分词],类别],
# [[第二行分词], 类别]，
# [[第n行分词],类别]
# ]
for sent in pos_docs: # 读入正样本
data.append([self.handle(sent), 'pos'])
self.classifier.train(data) # 调用的是Bayes模型的训练方法train() def classify(self, sent):
ret, prob = self.classifier.classify(self.handle(sent))#得到分类结果和概率
if ret == 'pos':#默认返回的是pos('正面'），否则就是负面
return prob
return 1-prob classifier = Sentiment()#实例化Sentiment()对象
classifier.load() def train(neg_file, pos_file):
#读取正负语料库文本
neg_docs = codecs.open(neg_file, 'r', 'utf-8').readlines()
pos_docs = codecs.open(pos_file, 'r', 'utf-8').readlines()
global classifier#声明classifier为全局变量，下面重新赋值，虽然值仍然是Sentiment()函数
classifier = Sentiment()
classifier.train(neg_docs, pos_docs)#调用Sentment()模块里的train（）方法 def save(fname, iszip=True):
classifier.save(fname, iszip) def load(fname, iszip=True):
classifier.load(fname, iszip) def classify(sent):
return classifier.classify(sent)
2.使用的朴素贝叶斯原理及公式变形
推荐一篇解释得很好的文章：情感分析——深入snownlp原理和实践
classification文件夹下的Bayes.py模块主要包含两个方法train（data）和classify（X），训练和预测方法
# 训练数据集
# 训练的数据data格式是[[['分词1','分词2','分词x'],类别],
# [[第二行分词], 类别],
# [[第n行分词],类别]
# ]
def train(self, data):#训练后得到的self.d={'neg':AddOneProb,'pos':AddOneProb},AddOneProb包含重要的分词信息，他里面也有一个self.d={'分词1':v1,'分词2':v2,'分词3':v3,...}包含分词和相应的分词个数。 # 遍历数据集
for d in data:
# d[1]标签-->分类类别
c = d[1]
# 判断数据字典中是否有当前的标签
if c not in self.d:
# 如果没有该标签，加入标签，值是一个AddOneProb对象。其实就是为每个分词建一个AddOnePro对象来计数
self.d[c] = AddOneProb()
# d[0]是评论的分词list，遍历分词list
for word in d[0]:
# 调用AddOneProb中的add方法，添加单词
self.d[c].add(word, 1)#self.d[c]是AddOneProb对象，调用AddOneProb的add（）函数来对词word计数，重点看frequency.py中的几个类
# 计算总词数
self.total = sum(map(lambda x: self.d[x].getsum(), self.d.keys()))#self.d[x].getsum()是调用AddOneProb对象的getsum()函数计算词 #对句子x分类,而x是被分过词的列表,(将句子分词的步骤会在Sentiment类中的分类函数classify()执行，这里不要管，只要知道x是分词后的的列表）
def classify(self, x):
tmp = {}
# 遍历每个分类标签，本案例中只有两个类别
for k in self.d:
tmp[k] = log(self.d[k].getsum()) - log(self.total)#计算先验概率，即p(neg)和p(pos)两个类别的概率
for word in x:
tmp[k] += log(self.d[k].freq(word))#计算后验概率，即每个类别条件下某个分词的概率p('词A'|neg)和p('词A'|pos)，# 词频，词word不在字典里的话就为0
ret, prob = 0, 0
for k in self.d:#遍历两个类
now = 0#预测值赋初值为0
try:
for otherk in self.d:#当类相同时now=1，类不同时now累加exp（tmp[otherk]-tmp[k]），最终计算now为变形后的朴素贝叶斯预测值的分母
now += exp(tmp[otherk]-tmp[k])#朴素贝叶斯变形式可见博客
now = 1/now#求倒数为得到的这个类的预测值
except OverflowError:
now = 0
if now > prob:#比较两个类别的概率谁大，大的就是这个文本的类别。注意：初始prob等于0，经过遍历后悔更新prob并且prob等于相应类别的朴素贝叶斯概率
ret, prob = k, now
return (ret, prob)
#这里用朴素贝叶斯方法计算
注意：classify()方法中的朴素贝叶斯变形方法的编写，下面两个for循环，先是遍历两个类，比例第一个类，now表示对这个类计算的贝叶斯预测值，赋初值为0，第二个循环遍历第一个类（otherk=k），
exp(tmp[otherk]-tmp[k])=exp（0）=1，则now=1，再遍历第二个类得到上面变形公式中的第二部分值，这两个相加得到的new就是
最后再倒数就得到了
再附加一个上面的AddOneProb()方法的源代码解析，他就是一个对输入的分词计数的函数，将语料库的词进行分类计数，为了训练做得到先后验概率准备：
'''对词计算频数'''
class BaseProb(object): def __init__(self):
self.d = {}#用来存储分词和分词的个数，键是分词，值是分词的个数
self.total = 0.0#计数总共的词个数
self.none = 0 def exists(self, key):#判断字典self.d中是否存在这个词key
return key in self.d def getsum(self):#返回语self.d中存储的词的总数
return self.total def get(self, key):#判断字典中是否存在这个词key,并且返回这分词的词个数
if not self.exists(key):
return False, self.none
return True, self.d[key] def freq(self, key):#计算词key的频率
return float(self.get(key)[1])/self.total def samples(self):#返回字典的键，其实就是返回所有的分词，以列表形式
return self.d.keys() class NormalProb(BaseProb): def add(self, key, value):
if not self.exists(key):
self.d[key] = 0
self.d[key] += value
self.total += value '''对词计数'''
class AddOneProb(BaseProb):#继承BaseProb类，所以BaseProb类中的属性和函数都能用。 def __init__(self):
self.d = {}
self.total = 0.0
self.none = 1 def add(self, key, value):
self.total += value#计算总词数
if not self.exists(key):#如果这个词key不在self.d中的话，那么在字典中加上这个词，即键为此，并且给这个词计数1，同时总的词数量total加1.
self.d[key] = 1
self.total += 1#感觉不应该再加1了，上面都已经计算过总数了？？？？说是后面预测要用到，可能是要平滑
self.d[key] += value#如果字典已经有这个词了的话，那么给这个词数量加1
对于局进行分词的方法Handle()感觉也很重要，也需要看一看。
