Merge branch 'quentin' of https://gitlab.telecom-paris.fr/pact/2022-2023/pact71 into quentin

code_autre/Traitement Langage Naturel/ReviewAnalysis.py

@@ -0,0 +1,160 @@
+from vaderSentiment_fr.vaderSentiment import SentimentIntensityAnalyzer
+
+#Emplacements des fichiers contenants le lexique et les avis
+lexiconPath = r"C:\Users\kesha\Desktop\TelecomParis\PACT\fr_lexicon.txt"
+reviewPath = r"C:\Users\kesha\Desktop\TelecomParis\PACT\LouvreAvis.txt"
+
+#Création d'une liste de listes ordonnée alphabétiquement pour ne pas
+#avoir à chercher un mot d'un avis dans le lexique en entier à chaque fois.
+#La dernière case correspond aux expressions n'étant pas des mots.
+scoreWords = open(lexiconPath, "r")
+scoreTable = [[] for i in range(27)]
+line = scoreWords.readline()
+
+#Fonction d'ajout d'une paire mot-score par ordre alphabétique avec les
+#expressions n'étant pas des mots à la dernière case.
+#L'indice de la bonne case est trouvée avec le code ASCII en minuscule
+#(a vaut 97 et z vaut 122)
+def add(scoreword):
+    if (ord(scoreword[0][0]) < 97 or ord(scoreword[0][0]) > 122):
+        scoreTable[26].append(scoreword)
+    else:
+        scoreTable[ord(scoreword[0][0])-97].append(scoreword)
+
+#Ajout des paires mot-score dans scoreTable
+while (line != ''):
+    line = line.strip().split("->")
+    add([line[0].lower(), float(line[1])])
+    line = scoreWords.readline()
+scoreWords.close()
+
+### Partie analyse d'avis ###
+
+
+file = open(reviewPath, "r", encoding='UTF-8')
+reviews = (file.read()).split('//')
+
+
+#liste (partielle) de mots-clé pertinents pour un musée
+keys=['attente', "d'attente",  'queue', 'patienter', 'patience', 'patient',
+      'patients', 'patiente', 'patientes', 'file', 'files',
+      'impolitesse' ,'impolie', 'impolies', 'impoli', 'impolis',
+      'gentillesse', 'amabilité', 'aimable', 'aimables','gentil', 'gentils',
+      'gentille', 'gentilles', 'personnel',
+      'sales', 'sale', 'saleté', 'propre', 'propres', 'propreté',
+      'acceuil', 'prix', 'cher', 'chers', 'chère', 'chères',
+      'onéreux', 'onéreuse', 'onéreuses', 'abordable',
+      'raisonnable', 'raisonnables', 'accessible', 'accessibilité',
+      'handicapé', 'handicapée', 'handicapés', 'handicapées', 'orienter','employé',
+      'employés', 'employées', 'employée', 'agent', 'agente',
+      'orientation', 'orienté', "s'orienter", 'dédale',
+      'désorienter', 'désorienté', 'désorientée', 'désorientés', 'désorientées',
+      'panneau', 'panneaux', 'signalétique', 'labyrinthe',
+      'perdu', 'perdus', 'perdue', 'perdues',
+      'toilettes',
+      'restaurant', 'restaurants', 'restauration', 'manger', 'mangé', 'déjeuner', 'déjeuné']
+
+#Tableau de paires mots-clé, score associé
+keyWords = []
+
+#Score moyen d'un avis
+averageScore = 0
+
+vaderScore = {'neg': 0, 'neu': 0, 'pos': 0, 'compound': 0}
+
+SIA = SentimentIntensityAnalyzer()
+
+
+#Fonction de recherche d'un mot d'un avis parmis le lexique
+def search(word):
+    if (len(word) != 0):
+        if (ord(word[0]) < 97 or ord(word[0]) > 122):
+            mots = list(e[0] for e in scoreTable[26])
+            if (word in mots):
+                return([word, scoreTable[26][mots.index(word)][1]])
+            else:
+                return(-1)
+        mots = list(e[0] for e in scoreTable[ord(word[0])-97])
+        if (word in mots):
+            return([word, scoreTable[ord(word[0])-97][mots.index(word)][1]])
+    return(-1)
+
+#Fonction déterminant si une phrase contient une négation et renvoyant un booléen
+def isNegative(sentence):
+    if (('ne' in sentence) or ("n'" in sentence) or ("pas" in sentence)):
+        return True
+    return False
+    
+vaderCriteria = ['neg', 'neu', 'pos', 'compound']
+
+def ReviewAnalyzer(review):
+    reviewScore = 0
+    
+    #miniKey donne les mots-clé contenus dans l'avis en train d'être analysé
+    miniKey = []
+    
+    ### Recherche de mots positifs/négatifs ###
+    
+    #On découpe l'avis en une liste de phrases
+    sentences = Review.split('.')
+    for sent in sentences:
+
+        #On découpe la phrase en une liste de mots
+        sentence = list(e.strip(',.') for e in sent.split())
+        for Word in sentence:
+            
+            #On met tout les mots en minuscule pour ne pas prendre en compte les majuscules
+            word = Word.lower()
+            temp = search(word)
+            
+            #recherche d'un éventuel mot-clé associé à ce caractère positif/négatif
+            if (temp != -1):
+                        
+                #On change la valeur du score associé au mot-clé
+                #si la phrase contient une négation
+                if (isNegative(sentence)):
+                    temp[1] = -temp[1]
+
+                for key in keys:
+                    if (key in sentence):
+                        
+                        #Récupération des mots-clés déjà détectés dans tous les avis
+                        cles = list(e[0] for e in keyWords)
+                        
+                        #En fonction de si key a déjà été détecté auparavant,
+                        #et donc qu'il est dans keyWords avec un score associé,
+                        #on augmente le score ou sinon, on crée une paire mot-clé score
+                        if (key in cles):
+                            keyWords[cles.index(key)][1] += temp[1]
+                        else:
+                            keyWords.append([key, temp[1]])
+                            
+                        #Rajout du mot-clé key dans la liste des mots-clé trouvés dans cet avis
+                        miniKey.append(key)
+                        
+                #Mise à jour du score de l'avis
+                reviewScore += temp[1]
+    
+    #Caractéristiques de l'avis analysé
+    miniKey = set(miniKey)
+    return(miniKey, reviewScore)
+
+for Review in reviews:
+    ReviewAnalayzer(Review)
+    
+    #Ces 3 lignes sont pour comparer avec le score de VADER
+    score = SIA.polarity_scores(sent)
+    for criteria in vaderCriteria:
+        vaderScore[criteria] += score[criteria]    
+
+averageScore /= len(reviews)
+print("Format: [[Mot-clé, score associé]]")
+for e in keyWords:
+    print(e)
+print('')
+print("Nombre d'avis: ", len(reviews))
+print("Score moyen d'un avis: ", averageScore)
+for criteria in vaderCriteria:
+    vaderScore[criteria] /= len(reviews)
+print("Score moyen de vader d'un avis: ", vaderScore)
+file.close()