در این مطلب، ویدئو Twitter API با پایتون: قسمت 5 – تجزیه و تحلیل احساسات با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,060 –> 00:00:01,530
در این ویدیو
2
00:00:01,530 –> 00:00:03,810
ما با ربات API Python توییتر خود ادامه
3
00:00:03,810 –> 00:00:06,660
می دهیم و به طور خاص کاری که
4
00:00:06,660 –> 00:00:07,919
در این ویدیو انجام می دهیم این است که
5
00:00:07,919 –> 00:00:11,099
احساس یک توییت داده شده را تجزیه و تحلیل
6
00:00:11,099 –> 00:00:12,719
می کنیم تا تعیین کنیم که آیا
7
00:00:12,719 –> 00:00:14,730
یا احساس یک توییت داده شده
8
00:00:14,730 –> 00:00:17,210
بیش از حد مثبت منفی یا خنثی نیست و
9
00:00:17,210 –> 00:00:20,189
برای این منظور ما
10
00:00:20,189 –> 00:00:23,850
از یک ماژول به نام text blob استفاده می کنیم، بنابراین
11
00:00:23,850 –> 00:00:25,470
12
00:00:25,470 –> 00:00:27,410
اگر قبلاً آن را نصب نکرده اید، باید آن را نصب کنید. این
13
00:00:27,410 –> 00:00:29,550
ماژول خاص دارای یک
14
00:00:29,550 –> 00:00:31,650
تحلیلگر احساسات داخلی است که قبلاً
15
00:00:31,650 –> 00:00:34,860
روی دادهها آموزش دیده است، بنابراین ما میتوانیم
16
00:00:34,860 –> 00:00:37,440
از خود آنالیزور برای اعمال در توییتهای خود استفاده کنیم
17
00:00:37,440 –> 00:00:38,910
تا
18
00:00:38,910 –> 00:00:41,309
بر اساس
19
00:00:41,309 –> 00:00:44,190
این تحلیلگر بر اساس این تحلیلگر متنی، ابتدا مثبت یا منفی بودن آنها را تعیین کنیم.
20
00:00:44,190 –> 00:00:45,600
و مهمتر از همه، بیایید ترمینال دیگری را باز کنیم
21
00:00:45,600 –> 00:00:47,579
و من آن را کمی
22
00:00:47,579 –> 00:00:50,070
بزرگتر کنم، چیزی که به آن نیاز داریم، این متن
23
00:00:50,070 –> 00:00:51,629
کامل است، بنابراین بیایید ادامه دهیم و
24
00:00:51,629 –> 00:00:52,860
مطمئن شویم که
25
00:00:52,860 –> 00:00:57,030
Hiep install text blob را نصب کرده ایم، بنابراین اگر این کار را انجام دهید که
26
00:00:57,030 –> 00:00:58,559
اگر شما قبلا اگر آن را نصب کرده باشید، می
27
00:00:58,559 –> 00:01:00,059
بینید که این نیاز قبلاً برآورده شده است،
28
00:01:00,059 –> 00:01:02,190
اگر این کار را نکنید، پس از اینکه دریافت کردید آن را روی دستگاه خود نصب خواهید کرد،
29
00:01:02,190 –> 00:01:03,870
30
00:01:03,870 –> 00:01:04,739
31
00:01:04,739 –> 00:01:06,930
بنابراین اکنون که ما آن را نصب کرده ایم، اجازه دهید
32
00:01:06,930 –> 00:01:08,909
من را ببندم این را ادامه می دهیم و
33
00:01:08,909 –> 00:01:11,729
این را وارد می کنیم، بنابراین بیایید جلوتر برویم و
34
00:01:11,729 –> 00:01:14,600
این را در اینجا وارد کنیم، من می گویم از
35
00:01:14,600 –> 00:01:18,509
imports text blob کلاس text blob و
36
00:01:18,509 –> 00:01:20,070
چیز دیگری که در این ویدیو نیز از آن استفاده خواهیم کرد
37
00:01:20,070 –> 00:01:22,740
یک عبارت منظم است
38
00:01:22,740 –> 00:01:25,770
و این برای پاک
39
00:01:25,770 –> 00:01:27,689
کردن توییت اساساً برای حذف هر گونه
40
00:01:27,689 –> 00:01:30,810
کاراکتر یا لینک های اضافی یا چیزهایی
41
00:01:30,810 –> 00:01:32,189
که لزوماً نشان
42
00:01:32,189 –> 00:01:34,829
دهنده محتوای متن واقعی نیستند، به عنوان بخشی از
43
00:01:34,829 –> 00:01:36,299
توییت مورد استفاده قرار می گیرد که می خواهیم همه آن ها را حذف کنیم، زیرا
44
00:01:36,299 –> 00:01:38,579
این لزوماً به ما
45
00:01:38,579 –> 00:01:40,619
در این زمینه کمک نمی کند. احساس یک
46
00:01:40,619 –> 00:01:42,840
توییت داده شده را بفهمید، پس بیایید ادامه دهیم و فقط
47
00:01:42,840 –> 00:01:45,600
e را وارد کنیم که
48
00:01:45,600 –> 00:01:48,119
ماژول عبارت معمولی در پایتون است و ما
49
00:01:48,119 –> 00:01:50,100
همه چیز را آماده کرده ایم، بنابراین اگر پایتون دارید e ما
50
00:01:50,100 –> 00:01:52,259
نیز باید از قبل روی
51
00:01:52,259 –> 00:01:53,729
دستگاه شما نصب شده باشد. س o شما
52
00:01:53,729 –> 00:01:55,590
نیازی به نصب جداگانه
53
00:01:55,590 –> 00:01:56,759
ندارید، نیازی به نصب پیپ یا
54
00:01:56,759 –> 00:01:58,710
هر چیز دیگری ندارید، پس بیایید به
55
00:01:58,710 –> 00:02:01,049
انتهای فایل برویم و من
56
00:02:01,049 –> 00:02:02,369
برخی از این موارد را پاک می کنم تا دریافت کنم.
57
00:02:02,369 –> 00:02:05,219
در اینجا از شر این خطوط ترسیم خلاص شوید، بنابراین
58
00:02:05,219 –> 00:02:06,390
همه اینها مربوط به ویدیوی قبلی بود،
59
00:02:06,390 –> 00:02:07,590
من فقط می خواهم ادامه دهم و حذف
60
00:02:07,590 –> 00:02:10,378
کنم که ایجاد قاب داده را حفظ می کنم
61
00:02:10,378 –> 00:02:12,209
زیرا ما از آن استفاده
62
00:02:12,209 –> 00:02:13,410
خاص خواهیم کرد. اضافه کردن
63
00:02:13,410 –> 00:02:13,810
64
00:02:13,810 –> 00:02:16,030
ستون دیگری که
65
00:02:16,030 –> 00:02:18,940
تجزیه و تحلیل احساسات برای هر توییت را داشته باشد، بنابراین کاری که
66
00:02:18,940 –> 00:02:20,260
میخواهم انجام دهم این است که
67
00:02:20,260 –> 00:02:21,849
در کلاس تحلیلگر توییت
68
00:02:21,849 –> 00:02:24,819
، عملکردهایی را اضافه میکنم، اولین تابعی که آن را
69
00:02:24,819 –> 00:02:27,160
فقط توییت پاک مینامم.
70
00:02:27,160 –> 00:02:29,500
از کتابخانه عبارات معمولی برای
71
00:02:29,500 –> 00:02:31,209
پاک کردن توییت و حذف هر گونه
72
00:02:31,209 –> 00:02:33,370
هایپرلینک یا کاراکتر اضافی استفاده کنید، بنابراین این
73
00:02:33,370 –> 00:02:34,690
یکی از اعضای کلاسی است که باید خودش را
74
00:02:34,690 –> 00:02:36,340
بگیرد و سپس توییتی که باید
75
00:02:36,340 –> 00:02:38,319
پاک شود، بنابراین من واقعاً از زمان عبارت معمولی چه کاری انجام خواهم داد.
76
00:02:38,319 –> 00:02:39,880
77
00:02:39,880 –> 00:02:42,760
کمی دست و پا گیر و پرمخاطب و برای wr آزار دهنده است
78
00:02:42,760 –> 00:02:44,170
فقط می خواهیم
79
00:02:44,170 –> 00:02:46,299
آن را همانجا بچسبانیم و این از
80
00:02:46,299 –> 00:02:48,040
فایلی است که قبلاً در کنار آن ذخیره کرده
81
00:02:48,040 –> 00:02:50,350
ام و کاری که می خواهم انجام دهم این است
82
00:02:50,350 –> 00:02:52,810
که البته مثل همیشه می روم.
83
00:02:52,810 –> 00:02:54,790
کد موجود در github من، بنابراین
84
00:02:54,790 –> 00:02:56,860
به جای مکث کردن ویدیو و نوشتن
85
00:02:56,860 –> 00:02:58,930
آن عبارت وحشتناک، می
86
00:02:58,930 –> 00:03:01,120
توانید فقط کد را دانلود کنید و از آنجا کپی کنید
87
00:03:01,120 –> 00:03:03,099
، بنابراین اساساً همه چیزهایی که
88
00:03:03,099 –> 00:03:04,330
واقعاً در اینجا اتفاق می افتد، کمی پیچیده به نظر می رسد،
89
00:03:04,330 –> 00:03:05,739
اما فقط
90
00:03:05,739 –> 00:03:07,720
کاراکترهای خاص را از آن حذف می کند. رشته ای
91
00:03:07,720 –> 00:03:09,370
از توییت به طور خاص و سپس ما
92
00:03:09,370 –> 00:03:10,630
به سمت لینک ها حرکت می کنیم و سپس
93
00:03:10,630 –> 00:03:12,220
نتایج آن توییت تمیز را
94
00:03:12,220 –> 00:03:14,470
برمی گردانیم، بنابراین تابعی داریم که این کار را انجام
95
00:03:14,470 –> 00:03:16,750
می دهد که مسئول آن است، اکنون ما
96
00:03:16,750 –> 00:03:18,220
تابع دیگری می خواهیم که
97
00:03:18,220 –> 00:03:20,829
مسئول فراخوانی متن blob و
98
00:03:20,829 –> 00:03:22,630
با استفاده از تجزیه و تحلیل احساسات و Ally
99
00:03:22,630 –> 00:03:24,040
ارائه شده از متن blob و سپس
100
00:03:24,040 –> 00:03:26,290
برگرداندن احساس، بنابراین بیایید
101
00:03:26,290 –> 00:03:30,640
این تابع را تجزیه و تحلیل احساسات صدا
102
00:03:30,640 –> 00:03:32,950
103
00:03:32,950 –> 00:03:34,329
کنیم.
104
00:03:34,329 –> 00:03:36,819
بنابراین ما به جلو می رویم و
105
00:03:36,819 –> 00:03:38,350
یک شی ایجاد می کنیم که
106
00:03:38,350 –> 00:03:40,030
از متن blob به ما برگردانده می شود، این
107
00:03:40,030 –> 00:03:42,310
شیء را تجزیه و تحلیل می نامیم و آن را برابر
108
00:03:42,310 –> 00:03:44,440
با text blob قرار می دهیم و سپس چیزی که می
109
00:03:44,440 –> 00:03:46,150
خواهیم به آن وارد کنیم اساساً چیزی که
110
00:03:46,150 –> 00:03:48,100
میخواهیم آن را تجزیه و تحلیل کنیم که
111
00:03:48,100 –> 00:03:50,380
در این مورد توییت پاک شده است، بنابراین
112
00:03:50,380 –> 00:03:53,260
میخواهیم توییت تمیز نقطهای خود را بگوییم
113
00:03:53,260 –> 00:03:54,730
و سپس در آن
114
00:03:54,730 –> 00:03:56,079
توییتی که وارد این تابع میشویم تغذیه
115
00:03:56,079 –> 00:03:58,239
کنیم، مطمئن شویم که پاک است. ارسال
116
00:03:58,239 –> 00:04:00,340
توییت تمیز به این لکه متنی که
117
00:04:00,340 –> 00:04:03,250
این کلاس است و سپس این به ما امکان می دهد
118
00:04:03,250 –> 00:04:05,079
از ابزارهای تجزیه و تحلیل احساسات
119
00:04:05,079 –> 00:04:07,780
که بلوک متن در اختیار ما قرار می دهد استفاده کنیم، بنابراین اکنون
120
00:04:07,780 –> 00:04:09,190
کاری که می خواهیم انجام دهیم این است که این کار را
121
00:04:09,190 –> 00:04:12,100
انجام دهیم. میخواهیم بگوییم اگر
122
00:04:12,100 –> 00:04:16,149
قطبیت نقطهای نقطهای را تجزیه و تحلیل میکنیم، بنابراین آنچه که ما در
123
00:04:16,149 –> 00:04:18,010
اینجا انجام میدهیم این است که آنالیز شی
124
00:04:18,010 –> 00:04:19,660
ایجاد شده از حباب متن است،
125
00:04:19,660 –> 00:04:21,488
تابعی به نام احساس وجود
126
00:04:21,488 –> 00:04:23,440
دارد که از موتور تحلیل احساسات
127
00:04:23,440 –> 00:04:25,090
استفاده میکند و سپس یک تابع دیگر وجود دارد
128
00:04:25,090 –> 00:04:26,710
که قطبیت نام دارد. تی
129
00:04:26,710 –> 00:04:27,260
مناسب است
130
00:04:27,260 –> 00:04:29,750
تجزیه و تحلیل کلاه که اساساً به ما می گوید
131
00:04:29,750 –> 00:04:31,610
که آیا توییت در این
132
00:04:31,610 –> 00:04:33,980
مورد مثبت است یا منفی، بنابراین
133
00:04:33,980 –> 00:04:35,750
قطبیت معیاری است از
134
00:04:35,750 –> 00:04:37,550
مثبت یا منفی بودن یا نبودن آن توییت در
135
00:04:37,550 –> 00:04:41,270
طبیعت، بنابراین اگر این ویژگی
136
00:04:41,270 –> 00:04:43,640
بزرگتر از صفر باشد، ما آن را بررسی خواهیم کرد. یک را برگردانید،
137
00:04:43,640 –> 00:04:46,250
بنابراین این نشان می دهد که
138
00:04:46,250 –> 00:04:49,210
قطبیت مثبت است، بنابراین یک
139
00:04:49,210 –> 00:04:51,950
توییت با تفسیر مثبت است، بنابراین ما
140
00:04:51,950 –> 00:04:54,320
یکی را در این مورد برمی گردانیم، در غیر این صورت، اگر
141
00:04:54,320 –> 00:04:57,320
احساسات آن قطبیت را تجزیه و