MachineLearningProject/sentiment_analysis.py at master · nicolasfredesfranco/MachineLearningProject · GitHub

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
from ppsing import ptext
from metrics import simCluster
from metrics import map_sentiment
import numpy as np
import tweepy #https://github.com/tweepy/tweepy


#Twitter API credentials
consumer_key = "YG9t6aMkiK3rvGdSbIkNbVKoG"
consumer_secret = "xhyivSyaesMQ2PvJdceI7BwBX3sjXxzhHsvC2pZcV0i2VTZ16R"
access_key = "879488168525004801-2wqBqwGmQzUNbvZLC1Oja7dyOF0ztLK"
access_secret = "ajMqqwF7TBf2tQZpLQyNZfe9jSLh8K6USWJHjXkp1Ohwg"

def senti_tweet(vocab,links,class_clusters,tweet,mode='manual'):
	"""Función que clasifica sentimentalmente un tweet.
		Se puede escribir el tweet a analizar de forma manual o
		se puede ingresar la URL respectiva del tweet.
		affinity = Matriz W
		vocab = vocabulario
		links = creado desde metrics.links_clusters
		class_clusters = creado desde metrics.classification_clusters
		tweet = puede ser una frase un una url
		mode = puede tomar los valores 'manual' o 'URL'
	"""
	if(mode=='manual'):
		tweet_pp = ptext(tweet)
	elif(mode=='URL'):
		new_tweets = api.user_timeline(screen_name = tweet,count=1,tweet_mode='extended')

		"""AGREGAR CODIGO:
						bajar tweet desde tweepy por medio de
						la URL y asignarselo a la variable tweet
		"""
		tweet=new_tweets[0].full_text
		print('El tweet:\n',tweet,'\n')
		tweet_pp = ptext(tweet)

	else:
		print('Mode no existente')
		return

	sentences = []
	for i in tweet_pp:
		sentences += i

	funcional = simCluster(vocab,sentences,links)
	dic_class = map_sentiment(funcional,class_clusters)

	n = len(dic_class)
	sentimientos = [0]*n
	peso_sentimientos = [0]*n
	den = sum(dic_class.values())
	cont = 0
	frase_final =''
	for i in dic_class:
		sentimientos[cont] = i
		peso_sentimientos[cont] = (dic_class[i]/den)*100
		frase_final += ', '+sentimientos[cont]+': '+str(peso_sentimientos[cont])+'%'
		cont += 1

	lista=list()
	for n,m in dic_class.items():
		lista.append((m,n))
	lista.sort()

	senti_max = lista[-1][1]

	print(f'El tweet se considera sentimentalmente {senti_max}.\n')

	print(f'Además posee la carga porcentual por sentimiento de{frase_final}.')

	return dic_class

def senti_tweet_test(vocab,links,class_clusters,tweet):
	"""Función que clasifica sentimentalmente un tweet.
		Se puede escribir el tweet a analizar de forma manual o
		se puede ingresar la URL respectiva del tweet.
		affinity = Matriz W
		vocab = vocabulario
		links = creado desde metrics.links_clusters
		class_clusters = creado desde metrics.classification_clusters
		tweet = puede ser una frase un una url
		mode = puede tomar los valores 'manual' o 'URL'
	"""

	tweet_pp = ptext(tweet)

	sentences = []
	for i in tweet_pp:
		sentences += i

	funcional = simCluster(vocab,sentences,links)
	dic_class = map_sentiment(funcional,class_clusters)

	lista=list()
	for n,m in dic_class.items():
		lista.append((m,n))
	lista.sort()


	return lista[-1][1]


def test(fr_sent,vocab,links,class_clusters):
	result=dict()
	clas_result=dict()
	for sent in fr_sent:
		if sent not in result.keys():
			result[sent]=[]
			clas_result[sent]=dict()
		for tweet in fr_sent[sent]:
			label=senti_tweet_test(vocab,links,class_clusters,tweet)
			result[sent].append((tweet,sent,label))
			if label not in clas_result[sent].keys():
				clas_result[sent][label]=0
			clas_result[sent][label]+=1

	return clas_result,result