호출의 예는 Python 미니 탭에서 스크립트

새로운 커피 블렌드 캠페인을 만들기 위해 마케팅 회사를 고용합니다. 연구의 일환으로 팀은 "커피"라는 단어가 포함된 온라인 리뷰에서 데이터를 수집합니다. 리뷰에 사용된 가장 인기 있는 단어를 시각화하기 위해 팀은 단어 클라우드를 만들고 Minitab 프로젝트에 추가하려고 합니다.

이 예제는 Python 스크립트가 열립니다. .TXT 커피 리뷰가 포함된 파일입니다. 스크립트는 단어를 계산하고 단어 구름과 주파수 테이블을 만듭니다. 그런 다음 스크립트는 단어 클라우드 이미지와 테이블을 Minitab 출력 창으로 보냅니다.

이 가이드에서 참조하는 모든 파일은 이 가이드에서 사용할 수 있습니다. .ZIP 파일: python_guide_files.zip.

다음 파일을 사용하여 이 섹션의 단계를 수행합니다.
파일 설명
example.py A Python 스크립트는 파일 coffee_reviews.txt의 주석에서 데이터를 가져와 단어 클라우드 및 테이블에 가장 빈번한 단어를 표시합니다.
coffee_reviews.txt 커피에 대한 고객 리뷰의 열이 포함된 데이터 파일입니다.
cloud.PNG 이미지 파일은 Python 패키지 wordcloud 클라우드라는 단어의 모양을 만드는 데 사용됩니다.
Tthe Python 아래 예제의 스크립트에는 다음이 필요합니다. Python 모듈:
mtbpy
Tthe Python 미니탭과 Python. 이 예제에서는 이 모듈의 함수가 Python 결과를 미니탭으로 바을 수 있습니다.
numpy
A Python 과학 컴퓨팅을 위한 다양한 응용 프로그램을 가지고 있는 모듈. 이 예제에서는 이 모듈의 함수가 데이터 배열을 만듭니다.
wordcloud
A Python 단어 구름을 만드는 모듈.
모듈을 설치할 수 있습니다. pip. 예를 들어, 다음 명령은 Python:
pip install mtbpy numpy wordcloud
  1. 저장 Python 스크립트 파일, example.py을 사용하여 Minitab 파일 위치로 이동합니다.

    마이크로 소프트 윈도우 버전의 미니 탭에서 미니 탭 파일 위치를 변경하려면 파일 > 옵션 > 일반 > 기본 파일 위치을 선택합니다 .

  2. 저장 .PNG 파일 cloud.PNG을 사용하여 Minitab 파일 위치로 이동합니다.
  3. 저장 .TXT 파일 coffee_reviews.txt을 사용하여 Minitab 파일 위치로 이동합니다.
  4. 미니탭 창에 PYSC "example.py".
  5. 실행클릭.

Example.py

from wordcloud import WordCloud, STOPWORDS
import numpy as np
from PIL import Image
from mtbpy import mtbpy

# Set the maximum number of words for the word cloud.
nWords = 150

# Open and read the dataset into a variable.
dataset = open("coffee_reviews.txt", "r", encoding="utf8").read()

# Change all the characters in the dataset to lowercase.
dataset = dataset.lower()

# Open and read the mask image into a numpy array.
maskArray = np.array(Image.open("cloud.png"))

# Specify the properties of the word cloud.
cloud = WordCloud(background_color = "white", max_words = nWords, mask = maskArray, stopwords = set(STOPWORDS))

# Generate the word cloud.
cloud.generate(dataset)

# Save the word cloud to a png file.
cloud.to_file("word_cloud.png")

# Send the png file to the Minitab Output pane.
mtbpy.mtb_instance().add_image("word_cloud.png")

# Initialize the arrays to store words and their frequencies in a table.
words = []
freqs = []

# Begin a loop to count the words in the word cloud frequency dictionary.
for word in cloud.words_:
    # Append the word to the list of words for the table.
    words.append(word)
    # Append the frequency of the word to the list of frequencies for the table.
    freqs.append(int(cloud.words_[word]*4716))

# Send the table to the Minitab Output pane.
mtbpy.mtb_instance().add_table(columns=[words, freqs], headers=["Word", "Frequency"], title="Word Cloud Data", footnote="{0} words are in this table".format(nWords))

결과

Python Script

These results are from external software.

Word Cloud Data

Word Frequency coffee 4716 cup 1439 flavor 1374 taste 1149 one 1048 good 1043 love 884 make 858 tea 833 great 798 use 701 drink 641 cup coffee 566 tried 563 product 558 amazon 548 will 521 morning 506 now 486 really 478 price 466 much 441 best 431 strong 428 time 428 found 426 buy 409 little 408 pod 401 well 396 even 388 brand 386 keurig 364 find 356 blend 349 brew 344 try 343 enjoy 341 drinking 339 starbuck 339 work 331 day 331 sugar 319 nice 318 perfect 316 always 314 delicious 311 way 306 order 306 want 291 better 288 say 276 used 274 go 271 two 268 favorite 266 made 264 pack 259 box 259 think 258 without 254 first 254 smooth 253 bag 253 come 253 flavored coffee 251 excellent 249 chocolate 249 bought 248 know 246 decaf 244 need 244 water 238 wonderful 234 still 233 got 233 lot 228 never 224 espresso 223 rich 214 love coffee 213 store 211 coffee maker 211 bitter 208 add 208 ordered 203 keep 201 sweet 201 give 198 right 198 using 196 milk 188 home 186 bold 186 thing 186 green mountain 184 year 183 vanilla 183 many 181 bean 179 machine 178 caffeine 178 bit 176 prefer 176 put 176 coffee drinker 173 fresh 171 may 169 smell 166 take 164 buying 164 husband 164 people 161 enough 159 us 159 actually 158 new 158 cookie 154 dark roast 154 package 153 hazelnut 151 purchased 151 purchase 151 review 151 strong coffee 146 dark 144 far 144 see 144 calorie 144 back 143 small 143 organic 141 feel 139 highly recommend 139 another 138 best coffee 138 every 136 thought 136 seem 136 almost 136 sure 134 aroma 134 trying 134 packet 134 french roast 134 expensive 133 less 133 especially 133 latte 133 thank 133 150 rows are in this table
이 사이트를 사용하면 분석 및 사용자 개인 컨텐츠에 대한 쿠키 사용에 동의하는 것입니다.  당사의 개인정보 보호정책을 확인하십시오