-
Notifications
You must be signed in to change notification settings - Fork 1
/
main.py
239 lines (191 loc) · 8.01 KB
/
main.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
''' Nel main possiamo far partire il codice intero, se vogliamo si possono far partire gli script singolarmente
dal loro interno. Sono stati lasciati i main al loro interno'''
import pandas as pd
from termcolor import colored
import string
from preprocessing import Pulizia
from preprocessing_es import Pulizia_es
if __name__ == '__main__':
#### Estrazione dei dati
SW = input("Se si vuole scaricare il dataset, inserire yes\n se si vuole leggere il dataset inserire no\n")
try :
if SW == "yes":
from spider_scrapper import scaricare
from analisi_testuale import language_detect
from visualizzazioni_youtube import visual
df = scaricare()
df['Lingua'] = language_detect(df)
df = visual(df)
df.to_csv('dataset/Dataset.csv')
df = pd.read_csv("dataset/Dataset.csv", error_bad_lines=False, sep=',')
elif SW == "no":
df = pd.read_csv("dataset/Dataset.csv", error_bad_lines=False, sep=',')
##### PROVA ######
#df = df [0:100]
else:
print("valore non valido ")
except:
print("valore non valido ")
#### statistiche generali
# from analisi_testuale import grafici1,grafici2
#
# print(colored(colored(df.head(), 'green')))
#
# print("Variabile Genere: \n\n", df.Genere.unique())
#
# print("dimensioni dataset: ", colored(colored(df.shape, 'green')))
#
# print("Variabile Genere: \n\n", colored(colored(df.Genere.describe(), 'green')))
#
# for index, row in df.iterrows():
# tok = row["Testo"].replace("\n", " ").translate(str.maketrans('', '', string.punctuation)).split(" ")
# df.loc[index, 'lunghezza'] = len(tok)
# df.loc[index, 'Lex'] = len(set(tok))
#
# grafici1(df)
# grafici2(df)
#
# from cursed_words import *
#
# lista_args = [('drinking', drinkingKeywords), ('love', loveKeywords), ('violence', violence),
# ('drug', drug_smoking), ('sex', sex), ('money', money_power), ('car', car)]
#
# df['other'] = df.Testo.apply(countWords0)
#
# for index, row in df.iterrows():
# for l in lista_args:
# df.loc[index, l[0]] = countWords(Text=row['Testo'], list_words=l[1])
#
# df['volgare'] = df.Testo.apply(numb_swear_words)
# df["Topic"] = df[['other', 'drinking', "love", "violence", "drug", "sex", 'money', 'car', 'volgare']].idxmax(axis=1)
#
#
# # Topic Modeling
# from coherence import *
#
# '''Coherence Dataset Totale '''
# df = df.loc[(df['Lingua'] == 'en')]
#
# '''Coherence Latin e lingua spagnola'''
# # df = df.loc[(df['Lingua'] == 'es') & (df['Genere'] == 'Latin')]
# # data_classes = ['Latin']
#
# testo = df['Testo']
# data_ready = Pulizia(testo)
#
# # Create Dictionary
# id2word = corpora.Dictionary(data_ready)
#
# # Create Corpus: Term Document Frequency
# corpus = [id2word.doc2bow(text) for text in data_ready]
#
# model_list, coherence_values = compute_coherence_values(dictionary=id2word, corpus=corpus, texts=data_ready,
# start=2, limit=8, step=1)
#
# # Show graph
# limit = 8
# graph_coherence(coherence_values, limit, start=2, step=1)
from topic_modelling_genre import *
'''VEDREMO UNA LISTA DI TOPIC MODELLING DI DIVERSI DATASET, DECOMMENTARE IL DATASET CHE SI VUOLE ANALIZZARE'''
''' 1. Per la topic modelling con 3 Topics trovati con la coherence decommentare il codice'''
data_classes = ['Totale_3_']
n_topics = 3
''' 2. Per la migliore suddivisione con 5 Topics decommentare il codice'''
# data_classes = ['Totale_5_']
# n_topics = 5
''' 3. Topic Analisys Approfondimento, con il dataset avente i 3 generi più frequenti con la lingua inglese
Se si vorrà visualizzare la il colore dei cluster con il genere sostituire a colors = topic_num
la variabile "genere" nel plot.scatter che diventerà colors = genere,
selezioniamo i tre generi più frequenti inglesi Country, Rock e R&B/Hip-Hop per vedere se si possono
associare a tre topic distinti'''
# df = df.loc[(df['Genere'] == 'Country') | (df['Genere'] == 'R&B/Hip-Hop') | (df['Genere'] == 'Rock')]
# n_topics = 3
# data_classes = ['Country','R&B/Hip-Hop','Rock']
# genere = df_gen['Genere'].apply(data_classes.index).tolist()
# testo_gen = df_gen['Testo']
# data_ready = Pulizia(testo_gen)
''' 4. Topic Analisys Approfondimento, con il dataset avente il singolo genere si sono selezionati i 3
generi più frequenti nel dataset, deselezionare a seconda di quale topic analysis si vuole fare'''
''' Country'''
# df = df.loc[(df['Genere'] == 'Country')]
# data_classes = ['Country']
# n_topics = 5
'''Rock'''
# df = df.loc[(df['Genere'] == 'Rock')]
# data_classes = ['Rock']
# n_topics = 4
'''R&B HipHop'''
# df = df.loc[(df['Genere'] == 'R&B/Hip-Hop')]
# data_classes = ['R&BHipHop']
# n_topics = 5
data_ready = Pulizia(df.Testo)
# Create Dictionary
id2word = corpora.Dictionary(data_ready)
# Create Corpus: Term Document Frequency
corpus = [id2word.doc2bow(text) for text in data_ready]
compute_lda(corpus=corpus, id2word=id2word, n_topics=n_topics, data_ready=data_ready, nome=data_classes)
'''Latin'''
# df = pd.read_csv("dataset/Dataset.csv", error_bad_lines=False, sep=',')
# df = df.loc[(df['Lingua'] == 'es') & (df['Genere'] == 'Latin')]
#
# ##### PROVA DF PIU PICCOLO ######
# df = df[0:100]
#
# data_classes = ['Latin']
# n_topics = 2
# testo = df['Testo']
# data_ready = Pulizia_es(testo)
#
# # Create Dictionary
# id2word = corpora.Dictionary(data_ready)
#
# # Create Corpus: Term Document Frequency
# corpus = [id2word.doc2bow(text) for text in data_ready]
#
# # Build LDA model
#
# compute_lda(corpus=corpus, id2word=id2word, n_topics=n_topics, data_ready=data_ready, nome=data_classes)
# Sentiment
# from sentiment_polarita import *
#
# # PROVA
# dataset = df[0:100]
#
# for index, row in dataset.iterrows():
# dataset.loc[index, 'sent_pol'] = get_sentiment(testo=row['Testo'], lang=row["Lingua"])
#
# dataset.to_csv("dataset/Dataset_con_pol.csv")
#
# show_graphics(dataset, SW=True) # per visualizzare i grafici SW = T
# Sentiment IBM
from sentiment_ibm import *
df2 = df.filter(['Titolo', 'Artista'], axis=1)
####### PROVA ######
df2 = df2[0:100]
sent = Getfeatures()
df2['Sentiment'] = sent.get_list_sentiment(df)
df2.to_csv('dataset/Dataset.csv', index=False, encoding='utf-8')
# Predict Genre
from predict_genre import *
'''Se mettessimo tutto il dataset otteniamo un classificatore non performante,
si sono selezionati solo i generi più presenti nel ds'''
'''Selezionare il modello che si vuole visualizzare nell'input MNB LR SVC KNN'''
df = df.loc[(df['Genere'] == 'Rock') | (df['Genere'] == 'Country') | (df['Genere'] == 'R&B/Hip-Hop')
| (df['Genere'] == 'Latin')]
train_df, test_df = train_test(df)
'''Decommentare il modello che si vuole visualizzare'''
train_emotions(train_df, test_df, input='MNB')
# train_emotions(train_df, test_df, input='LR')
# train_emotions(train_df, test_df, input='SVC')
# train_emotions(train_df, test_df, input='KNN')
'''Decommentare per il modello Decisional Tree'''
# df = df.loc[(df['Genere'] =='R&B/Hip-Hop')
# | (df['Genere'] == 'Latin')]
# train_df, test_df = train_test(df)
# train_emotions(train_df, test_df, input='DT')
# Predict Sentiment
from predict_sentiment import *
df = df.loc[(df['Sentiment'] == 'Sadness') | (df['Sentiment'] == 'Joy')]
train_df, test_df = train_test(df)
'''SELEZIONARE IL MOELLO CHE SI VUOLE VISUALIZZARE MNB LR DT SVC KNN'''
train_emotions(train_df, test_df, input='KNN')