허깅페이스 실습 및 스페이스에 프로젝트 등록

HUGGINGFACE/sentiment_csv.py

@@ -0,0 +1,143 @@
+import gradio as gr
+from transformers import pipeline
+import re
+import pandas as pd
+import matplotlib.pyplot as plt
+import koreanize_matplotlib
+
+# 문장 여러개 ( 파일 )
+# 리뷰 데이터 -> 분석
+
+english_classifier = pipeline("sentiment-analysis", top_k = None)
+korean_classifier = pipeline("sentiment-analysis", model="WhitePeak/bert-base-cased-Korean-sentiment", top_k = None)
+
+def is_korean(text):
+    korean = re.search(r"[가-힣]", text)
+    return korean is not None
+    
+
+def predict_sentiment(file):
+    
+    # 1. file => pandas
+    df = pd.read_csv(file)
+    reviews = df['review'].to_list()
+    
+    results_text = []
+    # [수정] 변수 초기화 추가
+    positive_count, negative_count = 0, 0
+    positive_scores, negative_scores = 0.0, 0.0
+    best_positive_score, best_negative_score = 0.0, 0.0
+    best_positive_review, best_negative_review = "", ""
+    positive_length, negative_length = [], []
+    
+    label_map = {"LABEL_0" : "부정 😡", "LABEL_1" : "긍정 😄", "NEGATIVE" : "부정 😡", "POSITIVE" : "긍정 😄"}
+    
+    for sentence in reviews:
+        # 한국말인지 확인하기
+        if is_korean(sentence):
+            result = korean_classifier(sentence)[0]
+        else:
+            result = english_classifier(sentence)[0]
+
+        best = max(result, key=lambda x:x['score'])
+        label = best["label"]
+        label = label_map.get(label, label)
+        score = best['score']
+
+        # 가장 긍정적인 리뷰 (best_positive_review)와 확률(best_positive_score)
+        # 가장 부정적인 리뷰 (best_negative_review)와 확률(best_negative_score)
+        # 긍정 점수 평균 positive_scores
+        # 부정 점수 평균 negative_scores
+        
+        review_length = len(sentence)
+        
+        if label =="긍정 😄":
+            positive_count += 1
+            positive_scores += score
+            positive_length.append(review_length)
+            
+            if best_positive_score < score :
+                best_positive_score = score
+                best_positive_review = sentence
+        else:
+            negative_count += 1
+            negative_scores += score
+            negative_length.append(review_length)
+            
+            if best_negative_score < score :
+                best_negative_score = score
+                best_negative_review = sentence
+            
+
+        results_text.append([sentence, label, score])
+        
+    # 총 리뷰수 : 20개
+    total = len(reviews)
+    # 긍정 리뷰 : 4개
+    # 부정 리뷰 : 16개
+    
+    # 긍정 비율 : 21.05%
+    positive_ration = positive_count / total * 100
+    # 부정 비율 : 78.95%
+    negative_ration = negative_count / total * 100
+    
+    # 부정 긍정 점수 평균
+    avg_positive = positive_scores / positive_count if positive_count > 0 else 0 
+    avg_negative = negative_scores / negative_count if negative_count > 0 else 0
+    
+    # 리뷰 길이 평균
+    avg_positive_length = sum(positive_length) / len(positive_length) if positive_length else 0
+    avg_negative_length = sum(negative_length) / len(negative_length) if negative_length else 0
+    
+    stats = f"""
+    총 리뷰 수 : {total} 개
+    
+    긍정 리뷰 😄 : {positive_count} 개
+    부정 리뷰 😡 : {negative_count} 개
+    
+    긍정 비율 😄 : {positive_ration:.2f}%
+    부정 비율 😡 : {negative_ration:.2f}%
+    
+    가장 긍정적인 리뷰 😄 : {best_positive_review} = {positive_length}
+                       = (긍정 확률 {best_positive_score:.4f})
+    가장 부정적인 리뷰 😡 : {best_negative_review} = {negative_length}
+                       = (부정 확률 {best_negative_score:.4f})
+    
+    긍정 점수 평균 😄 : {avg_positive:.2f}
+    부정 점수 평균 😡 : {avg_negative:.2f}
+    
+    평균 긍정 리뷰 길이 😄 = {avg_positive_length:.2f}
+    평균 부정 리뷰 길이 😡 = {avg_negative_length:.2f}
+    """
+    
+    
+    #차트
+    fig, ax = plt.subplots()
+    
+    ax.pie(
+        [positive_count, negative_count], 
+        labels=["긍정", "부정"], 
+        autopct="%.1f%%", 
+        startangle=90, 
+        counterclock=False
+        )
+        
+    return (
+        gr.update(value=results_text, visible=True), 
+        gr.update(value=stats, visible=True),
+        gr.update(value=fig, visible=True),
+    )
+
+with gr.Blocks() as demo :
+    gr.Markdown("HuggingFace Transformer 기반 감정 분석 프로그램")
+    
+    inp = gr.File()
+    btn = gr.Button("감정분석")
+    
+    df = gr.Dataframe(headers=["문장", "감정", "확률"], visible=False)
+    stats = gr.Textbox(label="분석 결과", visible=False)
+    chart_box = gr.Plot(label="감정 비율", visible=False)
+    btn.click(fn=predict_sentiment, inputs = inp, outputs = [df, stats, chart_box])
+
+
+demo.launch()