forked from martin-steglich/introPLN
-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathutils_pln.py
315 lines (248 loc) · 12.2 KB
/
utils_pln.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
import ast
import re
import nltk
from nltk.corpus import stopwords
from subprocess import Popen, PIPE, STDOUT
from nltk.metrics import *
def diccionarioElementosSubjetivos(archivoElementosSubjetivos):
positivosRaw = open(archivoElementosSubjetivos).read()
positivosRaw = positivosRaw.replace(u'\ufeff', '')
positivosRaw = positivosRaw.replace('elementoSubjetivo','')
positivosRaw = positivosRaw.strip()
regex = re.compile(r"%.*\n", re.IGNORECASE | re.MULTILINE)
positivosRaw = re.sub(regex,'',positivosRaw)
regex = re.compile(r"\)(.[^\)\(]|\s[^\)\(])*\(",re.IGNORECASE | re.MULTILINE)
positivosRaw = re.sub(regex,').(',positivosRaw)
arregloPositivos = positivosRaw.split('.')
#Saco punto final
tope = len(arregloPositivos) -1
arregloPositivos.pop(tope)
tuplas = ()
#Voy a tener un diccionario palabra:valor
for tupla in arregloPositivos:
#print(ast.literal_eval(tupla))
tuplas = tuplas + (ast.literal_eval(tupla.strip()),)
#print (tuplas)
diccionario = dict(tuplas)
return diccionario
def depurar_comentarios (comentarios_peliculas):
# En primera instancia se quitan los espacios en blanco al final y al principio (espacio, tab, retorno de carro, salto de linea)
# Se recorren los datos por filas
for i in range(0,len(comentarios_peliculas)):
# Se accede a la fila i columna 0 (es decir el valor comentario) y se lo modifica por el mismo modificado
comentarios_peliculas.ix[i,0] = comentarios_peliculas.ix[i,0].strip(' \t\n\r')
# Luego se quitan las etiquetas html de los comentarios
# Se recorren los datos por filas
for i in range(0,len(comentarios_peliculas)):
# Se obtiene el largo del comentario i
length = len(comentarios_peliculas.ix[i,0])
new_length = 0
# Expresión regular para matchear etiquetas html
reg = r'<\/?\w+((\s+\w+(\s*=\s*(?:".*?"|\'.*?\'|[^\'">\s]+))?)+\s*|\s*)\/?>'
# Se aplica la expresión regular al comentario mientras cambien los largos
while new_length != length:
# Se cambia el comentario por el mismo sin etiquetas html
comentarios_peliculas.ix[i,0] = re.sub(reg, "", comentarios_peliculas.ix[i,0])
new_length = len(comentarios_peliculas.ix[i,0])
return comentarios_peliculas
def convert_to_list(comentarios_peliculas):
subset = comentarios_peliculas[['ComTexto','Calificación']]
return [tuple(x) for x in subset.values]
# Funcion que dado un numero entre (1 y 5) devuelve la clasificación asociada
# En este lab si es 5 o 4 -> positivo; 3 -> neutro; 1 o 0 -> negativo
def codificarClasificacion(num):
if(num > 3):
return "pos"
elif(num == 3):
return "neu"
else:
return "neg"
def tokenizar_nltk(datos):
# Retorna una lista de tuplas.
# Cada tupla posee un diccionario (dict) palabra-frecuencia del comentario y la clasificación asociada
# En otras palabras [(dict1, clasificacion1),(dict2, clasificacion2), ... ]
listaTuplas = []
# Se recorren los comentarios y para cada uno de ellos se tokeniza con nltk
for i in range(0,len(datos)):
# Se crea el diccionario asociado al comentario
dic = {}
# Por cada palabra retornada de la tokenizacion del comentario
for palabra in nltk.word_tokenize(datos[i][0]):
# Si la palabra está en el diccionario del comentario, se aumenta la frecuencia
# En caso contrario se la pone en el diccionario con valor 1
if(palabra.lower() in dic):
dic[palabra.lower()] = dic[palabra.lower()] + 1
else:
dic[palabra.lower()] = 1
# Luego de tokenizado el comentario, se agrega una tupla a la lista que contendrá
# el diccionario de frecuencias y la clasificaion asociada al comentario
listaTuplas.insert(i,(dic,codificarClasificacion(datos[i][1])))
return listaTuplas
def palabras_mas_frecuentes (n,datos):
cantPalabras = 0
palabras = {}
for i in range(0, len(datos)):
for palabra in nltk.word_tokenize(datos[i][0]):
if(palabra.lower() in palabras):
palabras[palabra.lower()] = palabras[palabra.lower()] + 1
else:
palabras[palabra.lower()] = 1
palabrasOrdenadasPorFrecuencia = sorted(palabras, key=palabras.get, reverse=True)
if(n==-1):
return palabrasOrdenadasPorFrecuencia
else:
return palabrasOrdenadasPorFrecuencia[:n]
def filtrar(datos,filtro,not_in):
datos_filtrados = []
for i in range(0,len(datos)):
#FALSE Se queda con las que pertenecen al conjunto filtro
if(not_in):
filt = [w for w in nltk.word_tokenize(datos[i][0]) if not w in filtro]
else:
filt = [w for w in nltk.word_tokenize(datos[i][0]) if w in filtro]
datos_filtrados.insert(i,(" ".join(filt),datos[i][1]))
return datos_filtrados
# Funcion que dada una distribución de probabilidad de las clasificaciones
# devuelve la clasificacion que tiene mayor probabilidad
def getClasificacion(pdist):
# Se inicializa la clasificacion
clasificacion = 0;
prob = 0
# Por cada clasificacion posible, la comparo con la inicializacion
# Me quedo con la mas grande
for i in range(1,6):
if( pdist.prob(i) > prob):
clasificacion = i
prob = pdist.prob(i)
return clasificacion
def getTasa(clf,datos_test):
# Se define la variable de aciertos
aciertos = 0
salidaClasificador = []
salida = []
# Para cada comentario del conjunto de testeo se evalua segun el algoritmo entrenado
for comentario in datos_test:
# Se obtiene la clasificacion del algoritmo para el comentario
clasificacion = clf.classify(comentario[0])
salidaClasificador.append(clasificacion)
salida.append(comentario[1])
# En caso que la clasificacion sea la correcta se aumenta el acierto
if(clasificacion == comentario[1]):
aciertos += 1
cm = nltk.ConfusionMatrix(salidaClasificador, salida)
print("Matriz de confusión:")
print(cm)
print("Accuracy:")
print(accuracy(salidaClasificador, salida))
prec_pos = cm.__getitem__(("pos","pos")) / (cm.__getitem__(("pos","pos")) + cm.__getitem__(("pos","neu")) + cm.__getitem__(("pos","neg")))
prec_neu = cm.__getitem__(("neu","neu")) / (cm.__getitem__(("neu","neu")) + cm.__getitem__(("neu","pos")) + cm.__getitem__(("neu","neg")))
prec_neg = cm.__getitem__(("neg","neg")) / (cm.__getitem__(("neg","neg")) + cm.__getitem__(("neg","pos")) + cm.__getitem__(("neg","neu")))
rec_pos = cm.__getitem__(("pos","pos")) / (cm.__getitem__(("pos","pos")) + cm.__getitem__(("neu","pos")) + cm.__getitem__(("neg","pos")))
rec_neu = cm.__getitem__(("neu","neu")) / (cm.__getitem__(("neu","neu")) + cm.__getitem__(("pos","neu")) + cm.__getitem__(("neg","neu")))
rec_neg = cm.__getitem__(("neg","neg")) / (cm.__getitem__(("neg","neg")) + cm.__getitem__(("pos","neg")) + cm.__getitem__(("neu","neg")))
f_score_pos = "NaN"
f_score_neu = "NaN"
f_score_neg = "NaN"
if((prec_pos + rec_pos) > 0):
f_score_pos = 2 * prec_pos * rec_pos / (prec_pos + rec_pos)
if((prec_neu + rec_neu) > 0):
f_score_neu = 2 * prec_neu * rec_neu / (prec_neu + rec_neu)
if((prec_neg + rec_neg) > 0):
f_score_neg = 2 * prec_neg * rec_neg / (prec_neg + rec_neg)
print("Precisión:")
print("\tPos: " + str(prec_pos))
print("\tNeu: " + str(prec_neu))
print("\tNeg: " + str(prec_neg))
print("Recall:")
print("\tPos: " + str(rec_pos))
print("\tNeu: " + str(rec_neu))
print("\tNeg: " + str(rec_neg))
print("F-Score:")
print("\tPos: " + str(f_score_pos))
print("\tNeu: " + str(f_score_neu))
print("\tNeg: " + str(f_score_neg))
def codificarClasificacionesSubjetivos(elementos_subjetivos):
lista = []
for t in elementos_subjetivos:
clasificacion = 'neg'
if elementos_subjetivos[t] == 3:
clasificacion = 'pos'
lista.append(({t:1},clasificacion))
return lista
def getPositivos(elementos_subjetivos):
lista = []
for t in elementos_subjetivos:
#clasificacion = 'neg'
if elementos_subjetivos[t] == 3:
lista.append(t)
return lista
def getNegativos(elementos_subjetivos):
lista = []
for t in elementos_subjetivos:
#clasificacion = 'neg'
if elementos_subjetivos[t] != 3:
lista.append(t)
return lista
def tokenizar_freeling(datos):
listaTuplas = []
# Retorna una lista de tuplas.
# Cada tupla posee un diccionario (dict) palabra-frecuencia del comentario y la clasificación asociada
# En otras palabras [(dict1, clasificacion1),(dict2, clasificacion2), ... ]
# Se recorren los comentarios y para cada uno de ellos se tokeniza con nltk
for i in range(0,len(datos)):
# Se crea el diccionario asociado al comentario
dic = {}
# Por cada palabra retornada de la tokenizacion del comentario
p = Popen("%ANALYZER%/analyzer.ex -f %FREELINGSHARE%/config/es.cfg --outf splitted", shell = True, stdout=PIPE, stdin=PIPE, stderr=STDOUT)
stdout = p.communicate(input=datos[i][0].encode())[0]
for palabra in stdout.decode().split('\r\n'):
if(palabra == ''):
continue
# Si la palabra está en el diccionario del comentario, se aumenta la frecuencia
# En caso contrario se la pone en el diccionario con valor 1
if(palabra.lower() in dic):
dic[palabra.lower()] = dic[palabra.lower()] + 1
else:
dic[palabra.lower()] = 1
# Luego de tokenizado el comentario, se agrega una tupla a la lista que contendrá
# el diccionario de frecuencias y la clasificaion asociada al comentario
listaTuplas.insert(i,(dic,codificarClasificacion(datos[i][1])))
return listaTuplas
def getBestFrec (datos):
max_val = (0,0)
for i in range(0, len(datos)):
if(max_val[1] < datos[i][1]):
max_val = datos[i]
return max_val[0]
def POS_tagging(datos):
listaTuplas = []
# Retorna una lista de tuplas.
# Cada tupla posee un diccionario (dict) palabra-frecuencia del comentario y la clasificación asociada
# En otras palabras [(dict1, clasificacion1),(dict2, clasificacion2), ... ]
# Se recorren los comentarios y para cada uno de ellos se tokeniza con nltk
for i in range(0,len(datos)):
# Se crea el diccionario asociado al comentario
dic = {}
# Por cada palabra retornada de la tokenizacion del comentario
p = Popen("%ANALYZER%/analyzer.ex -f %FREELINGSHARE%/config/es.cfg", shell = True, stdout=PIPE, stdin=PIPE, stderr=STDOUT)
stdout = p.communicate(input=datos[i][0].encode())[0]
for linea in stdout.decode().split('\r\n'):
token = linea.split(' ')
if len(token) < 4:
continue
tag = token[2]
palabra = token[0]
if((tag[0:1] != 'F') and (tag[0:2] != 'RG') and (tag[0:2] != 'DP') and (tag[0:2] != 'DT') and (tag[0:2] != 'DE')
and (tag[0:2] != 'DA') and (tag[0:1] != 'N') and (tag[0:2] != 'RG') and (tag[0:2] != 'PP') and (tag[0:2] != 'PD')
and (tag[0:2] != 'PX') and (tag[0:2] != 'PT') and (tag[0:2] != 'PR') and (tag[0:2] != 'PE') and (tag[0:1] != 'I')
and (tag[0:1] != 'S') and (tag[0:1] != 'Z') and (tag[0:1] != 'W')):
# Si la palabra está en el diccionario del comentario, se aumenta la frecuencia
# En caso contrario se la pone en el diccionario con valor 1
if(palabra.lower() in dic):
dic[palabra.lower()] = dic[palabra.lower()] + 1
else:
dic[palabra.lower()] = 1
# Luego de tokenizado el comentario, se agrega una tupla a la lista que contendrá
# el diccionario de frecuencias y la clasificaion asociada al comentario
listaTuplas.insert(i,(dic,codificarClasificacion(datos[i][1])))
return listaTuplas