Yelp餐厅评论深度挖掘：从文本到可行动业务洞察

1. 项目概述：从 Yelp 抓取数据后，真正有价值的不是“爬到了”，而是“看懂了”

你花三天时间调通 Selenium，绕过反爬策略，成功把 2.7 万条 Yelp 餐厅评论存进 CSV；你兴奋地双击打开文件，看到密密麻麻的“Great food!”, “Terrible service”, “Love the ambiance”——然后卡住了。这些文本不是结构化数据，它们是未经加工的矿石。而真正的价值，藏在矿石被锤碎、筛分、提纯之后。这篇内容讲的，就是那个“锤、筛、提”的过程：对 Yelp 抓取数据做一次扎实、可复现、有业务指向的探索性数据分析（EDA），核心聚焦在餐厅评论文本的深度挖掘，用 NLP 工具把主观感受翻译成可量化的洞察。

关键词里反复出现的“Towards AI - Medium”，其实暗示了一个重要事实：原始内容面向的是具备基础 Python 和 Pandas 能力的读者，但跳过了大量实操中必然踩坑的细节——比如中文用户直接 clone 代码跑不起来，因为默认编码是 UTF-8 BOM；比如情感分析模型在短评上准确率骤降，没人告诉你该切分句子还是保留整条评论；比如“提取关键词”听起来简单，但 TF-IDF 在“sushi”和“sashimi”这种近义词上完全失效，你得手动加同义词表。我过去三年做过 11 个餐饮类 NLP 项目，从上海弄堂小馆到深圳连锁茶饮，所有真实场景都验证了一件事：90% 的 EDA 时间，花在清洗、对齐、校验和解释上，而不是建模本身。这篇文章会把这 90% 拆开揉碎，告诉你每一步为什么这么干、不这么干会掉进什么坑、以及怎么一眼识别数据是否已经“干净到能说话”。

它适合三类人：第一类是刚爬完 Yelp 数据、对着 Excel 发呆的新手，你需要知道下一步该点开哪个 Jupyter Notebook；第二类是想把“做了个爬虫”升级为“输出了运营建议”的职场人，比如给市场部写周报时，能说出“差评中‘等位’提及率环比上升 47%，建议优化叫号系统”；第三类是教学者，需要一份带完整上下文、可调试、可延展的 EDA 教学案例。它不承诺“一键生成报告”，但保证你读完后，能独立完成一次从原始 CSV 到可交付洞察的全流程，并且清楚知道每个数字背后的业务含义。

2. 整体设计与思路拆解：为什么 EDA 必须前置，且必须以业务问题为起点

2.1 拒绝“为分析而分析”：先定义三个核心业务问题

很多人的 EDA 做着做着就变成了“统计一下平均评分”“画个词云”，最后发现和老板要的答案八竿子打不着。我的做法是，在打开任何一行代码前，先用一句话写下本次 EDA 要回答的三个最痛的问题。针对 Yelp 餐厅数据，我锁定的是：

1. “差评到底在抱怨什么？”—— 不是泛泛而谈“服务差”，而是定位到具体环节：是等位超时？上菜慢？还是结账出错？这直接对应门店 SOP 优化点。
2. “好评的驱动力是什么？”—— 是菜品本身（如“三文鱼新鲜”），还是体验延伸（如“店员记得我名字”）？这决定营销资源该投向产品迭代还是员工培训。
3. “不同价位段餐厅的口碑差异逻辑是什么？”—— 人均 200 元的餐厅，差评集中在“性价比低”；人均 80 元的，差评却多是“环境嘈杂”。这种结构性差异，是定价策略和客群管理的关键依据。

这三个问题，决定了后续所有技术选型：如果只问“平均分多少”，用 Excel 就够了；但要回答“差评在抱怨什么”，就必须上 NLP；而要对比“不同价位段”，就必须先做价格分层，再做跨组文本分析。技术是仆人，业务问题是主人。我见过太多团队花两周训练 BERT 模型，结果发现老板只想知道“最近一个月差评里‘卫生’这个词出现了几次”。所以，本项目的 EDA 架构，完全围绕这三个问题展开，所有图表、模型、代码，都必须能回溯到其中一个问题。

2.2 为什么必须放弃“端到端大模型”，选择轻量级可解释方案

看到“NLP 提取信息”，很多人第一反应是微调 RoBERTa 或用 Llama-3 做 zero-shot 分类。这在 Kaggle 比赛里很酷，但在真实业务中是灾难。原因有三：

• 速度不可控：单条评论用 RoBERTa 推理需 300ms，2.7 万条评论就是 2.25 小时。而业务方要的是“今天下午三点前给我出结论”，不是“明天早上给你模型权重”。
• 黑箱难归因：“模型判定这条差评为‘服务问题’，置信度 82%”——当运营同事追问“为什么是服务问题，不是菜品问题？”，你无法指着某个 attention 权重说“这里高亮了‘waited’和‘staff’”。而业务决策，需要的是“差评中‘waited’出现 127 次，‘staff’出现 89 次，两者共现率达 63%”这种白盒证据。
• 领域适配成本高：Yelp 评论充满俚语（“bussin’”）、缩写（“omg”, “idk”）、拼写错误（“recmmend”）。通用大模型没在这些数据上预训练，效果反而不如规则+统计。

因此，本项目采用“三层漏斗”架构：

• 第一层：规则引擎（Rule-based）—— 用正则精准捕获高频确定性表达，如r'waited.*?min|wait.*?hour'匹配等位时长，r'overpriced|not worth'匹配性价比差评。这部分快、准、可审计，覆盖约 45% 的明确意图。
• 第二层：统计模型（TF-IDF + Logistic Regression）—— 对规则未覆盖的长尾评论，用 TF-IDF 向量化，训练一个二分类器（服务类差评 vs 非服务类差评）。模型小（<5MB），推理快（<5ms/条），且系数可解释：特征权重最高的词，就是该类别的最强指示词。
• 第三层：人工校验闭环（Human-in-the-loop）—— 每轮分析后，随机抽 200 条模型预测结果，人工标注正确性，计算 F1 分数。若低于 0.85，则回退到第一层，补充新规则。这个闭环确保分析结果始终可信。

这个设计不是技术妥协，而是对业务节奏和决策质量的尊重。我曾用此架构为一家连锁火锅品牌做分析，从数据导入到输出“等位超时”问题报告，全程 3 小时 17 分钟，运营总监拿着报告直接开了改进会。

2.3 数据清洗为何是 EDA 的心脏，而非前置步骤

多数教程把“数据清洗”列为 EDA 之前的一个独立章节，仿佛洗完就能直接分析。这是巨大误区。在 Yelp 这类用户生成内容（UGC）中，清洗和分析是交织进行的螺旋过程。举个真实例子：我第一次加载数据时，发现某家餐厅的 327 条评论里，有 41 条开头都是“Sent from my iPhone”。这不是垃圾信息，而是信号——说明这批评论极可能来自同一营销活动（比如店家发优惠券换好评），其情感倾向必然失真。如果我在清洗阶段粗暴删掉所有含“iPhone”的评论，就丢失了“该店存在刷评嫌疑”这一关键业务洞察。

因此，本项目的清洗流程是“分析驱动型”的：

• Step 1：分布扫描—— 先不做任何删除，用df['review_text'].str.len().hist()看评论长度分布。正常应呈右偏态（多数短评，少量长文）。若出现双峰，比如一个峰在 15 字（疑似水军模板），另一个峰在 120 字（真实体验），立刻标记异常区间。
• Step 2：模式聚类—— 对长度 <20 字的评论，用difflib.SequenceMatcher计算两两相似度，聚类出重复模板。例如，“Best pizza ever! Love it!” 出现 17 次，这就是典型水军信号，需单独建模，而非删除。
• Step 3：上下文校验—— 对疑似水军评论，检查其rating和date。若 17 条“Best pizza ever!”全部来自同一 IP 段（可通过user_id哈希后分组看出），且均在周三晚 8 点发布，基本坐实。

这种清洗，不是为了得到“干净数据”，而是为了让数据自己开口说话。它要求分析师时刻保持质疑：这个异常，是噪声，还是新线索？

3. 核心细节解析与实操要点：从原始 CSV 到可分析数据集的七道关卡

3.1 第一道关卡：编码与乱码的终极解法（不止于 utf-8）

Yelp 抓取数据最常见的崩溃点，不是代码报错，而是中文显示为“某某饭店”。你以为是编码问题，pd.read_csv('data.csv', encoding='utf-8')一试，发现还是乱码。真相是：Yelp 页面源码用的是 UTF-8，但某些浏览器插件或代理工具在保存时，偷偷加了 BOM（Byte Order Mark）头。BOM 是三个不可见字节（EF BB BF），Python 默认的utf-8编码器不认识它，就会把后续所有字节错位解读。

解决方案不是猜编码，而是用chardet库实测：

import chardet with open('yelp_data.csv', 'rb') as f: raw = f.read(10000) # 只读前1万字节，提速 encoding = chardet.detect(raw)['encoding'] print(f"检测到编码: {encoding}") # 通常输出 'UTF-8-SIG'

UTF-8-SIG就是带 BOM 的 UTF-8。此时pd.read_csv必须指定：

df = pd.read_csv('yelp_data.csv', encoding='utf-8-sig')

提示：永远不要在read_csv中硬编码encoding='utf-8'。生产环境必须加chardet自动探测，否则换一台机器就跑崩。我吃过亏——客户给的 CSV 在他 Mac 上是utf-8，在我 Windows 上是gbk，没加探测直接报错，当场尴尬。

3.2 第二道关卡：评论文本的“去广告化”处理

Yelp 评论里藏着大量非用户原生内容，最典型的是：

• 平台水印："Sent from my iPhone"、"Mobile review"、"via Yelp App"
• 商家植入："Thanks for visiting [Restaurant Name]!"（这明显是店家自己发的）
• 跨平台搬运："Originally posted on Google Maps..."

这些内容会严重污染 NLP 分析。比如，"Sent from my iPhone"本身无情感，但若它和rating=5强关联，模型会误学“用 iPhone 发评=好评”，这是伪相关。

我的处理策略是“三步剥离”：

1. 硬规则过滤：用正则匹配并移除固定模板。

   import re def remove_watermarks(text): patterns = [ r'Sent from my \w+', r'Mobile review', r'via Yelp App', r'Originally posted on \w+', ] for pat in patterns: text = re.sub(pat, '', text, flags=re.IGNORECASE) return text.strip() df['clean_text'] = df['review_text'].apply(remove_watermarks)

2. 商家声明识别：构建一个“感谢语”词典（['thanks', 'appreciate', 'grateful', 'visit', 'dine with us']），若一条评论同时包含感谢语 + 餐厅名（从business_name字段提取），且rating >=4，则标记为“商家自评”，单独存入df_promo分析，不参与主 EDA。
3. 长度-情感悖论校验：计算每条评论的len(text)/rating比值。正常用户评论，5 星评论平均更长（写得多），1 星评论较短（气得不想多说）。若某条评论rating=5但len<10，且含感谢语，大概率是商家水军。

3.3 第三道关卡：评分与文本的强一致性校验

Yelp 数据里最危险的陷阱，是rating字段和review_text内容矛盾。比如rating=1，但文本是Absolutely love this place! Best service ever!。这通常意味着：

• 用户误操作（点错了星）
• 数据抓取时 DOM 解析错位（把隔壁餐厅的评分抓过来了）
• 商家刷评（故意用低分配高赞文案，制造“真实感”）

我的校验逻辑是：用文本情感得分反推合理评分区间，再与实际rating比对。不用复杂模型，就用 VADER（专为社交媒体设计的情感分析器）：

from vaderSentiment.vaderSentiment import SentimentIntensityAnalyzer analyzer = SentimentIntensityAnalyzer() def get_vader_score(text): scores = analyzer.polarity_scores(text) return scores['compound'] # 返回 -1 到 1 的复合分 df['vader_score'] = df['clean_text'].apply(get_vader_score) # 定义合理区间：1星评论 vader_score 应 <= -0.3，5星应 >= 0.5 df['rating_consistent'] = ( (df['rating'] == 1) & (df['vader_score'] <= -0.3) | (df['rating'] == 2) & (df['vader_score'] <= -0.1) | (df['rating'] == 3) & (df['vader_score'].between(-0.1, 0.1)) | (df['rating'] == 4) & (df['vader_score'] >= 0.3) | (df['rating'] == 5) & (df['vader_score'] >= 0.5) )

注意：VADER 的阈值不是固定的，必须根据你的数据微调。我通常先抽样 500 条人工标注的“高置信度”评论（如含明确情感词“disgusting”、“amazing”），画vader_score分布直方图，找到自然分界点。这比套用论文里的默认值靠谱十倍。

3.4 第四道关卡：餐厅价格层级的科学划分

Yelp 数据里没有现成的“价格档位”字段，只有price（如$$）或空值。直接按$数量分组会出大问题：$可能代表快餐，也可能代表高端咖啡馆；$$$在纽约是中产，在东京可能是平价。必须结合本地消费水平和品类特性。

我的做法是“双维度锚定”：

• 横向锚定（品类内比较）：先按category（如 'Italian Restaurant', 'Sushi Bar'）分组，计算每组price字段的众数（mode）。例如，Sushi Bar组 72% 是$$，则将$$定义为该品类的“基准价”。
• 纵向锚定（城市消费力）：引入第三方数据——Numbeo 的城市生活成本指数。例如，旧金山指数为 100，成都为 32。若某家$$寿司店在旧金山，其实际消费力相当于成都的$$$$。

最终，我定义价格层级为：

• 经济型：price低于品类众数，且所在城市 Numbeo 指数 < 50
• 标准型：price等于品类众数
• 高端型：price高于品类众数，或所在城市指数 > 80

这样划分后，再做“不同价位差评主题对比”，结论才站得住脚。否则，把纽约的$和成都的$并列分析，等于拿苹果和橙子比甜度。

3.5 第五道关卡：文本标准化的“度”：何时该保留原貌，何时该激进清洗

NLP 新手常犯的错，是把所有文本无差别地转小写、去标点、去停用词。这在 Yelp 评论里是自杀行为。原因：

• 大小写是情感信号："NOT WORTH IT!!!"全大写+感叹号，强度远超"not worth it"。VADER 就专门利用大写来增强情感权重。
• 标点是语气线索："The food was ok."（句号，平淡） vs"The food was ok!"（感叹号，勉强接受） vs"The food was ok?"（问号，质疑）。
• 停用词是上下文锚点："not good"和"good"语义相反，去掉not就翻车。

因此，我的标准化流程是“选择性温和处理”：

import string def normalize_text(text): # 1. 保留大小写（不转小写） # 2. 仅移除控制字符（\x00-\x1f），保留 ! ? . , text = re.sub(r'[\x00-\x1f]', ' ', text) # 3. 合并多余空格 text = re.sub(r'\s+', ' ', text).strip() # 4. 仅对明确无意义的符号做清理，如 Yelp 特有的 "★" 符号 text = text.replace('★', '').replace('☆', '') return text df['norm_text'] = df['clean_text'].apply(normalize_text)

实操心得：永远保留原始文本review_text字段。所有清洗、标准化都在新列norm_text或clean_text中进行。这样，当你发现分析结果异常时，可以随时回溯到原文，排查是清洗过度还是模型偏差。

3.6 第六道关卡：地理信息的隐式补全

Yelp 数据常缺失city或state，只有模糊的location字符串（如"Downtown, CA"）。这对“区域化运营建议”是致命伤。不能靠人工补全（2.7 万条太耗时），要用程序化方法。

我的方案是“三级地理解析”：

1. 一级：正则硬匹配—— 构建美国州名缩写词典（{'CA': 'California', 'NY': 'New York'}），用re.search(r'\b[A-Z]{2}\b', location)提取。
2. 二级：城市名词典匹配—— 下载 USGS 官方城市数据库（含 2 万+城市），用fuzzywuzzy做模糊匹配。例如location="Hollywood, FL"，fuzzywuzzy.process.extractOne("Hollywood", us_cities_list)返回('Hollywood, Florida', 98)。
3. 三级：坐标反查（兜底）—— 若前两级失败，用geopy调用 Nominatim API（免费，限速）：

   from geopy.geocoders import Nominatim geolocator = Nominatim(user_agent="yelp_eda") try: location_obj = geolocator.geocode(location, timeout=10) if location_obj: df.loc[idx, 'city'] = location_obj.raw['address'].get('city', '') df.loc[idx, 'state'] = location_obj.raw['address'].get('state', '') except: pass # API 失败，留空

这套组合拳，对 2.7 万条数据的地理补全准确率达 92.3%。剩下的 7.7%，我标记为geo_uncertain，在后续分析中自动排除，绝不强行填充。

3.7 第七道关卡：构建“业务就绪”的特征工程

EDA 的终点不是一堆图表，而是能直接喂给业务系统的特征。我定义的“业务就绪”特征，必须满足：可解释、可监控、可归因。

基于前述清洗和分析，我构建了以下核心特征列：

• is_wait_time_mentioned：布尔值，是否含wait,waited,line,queue,delay等词（正则匹配，非 TF-IDF）
• wait_time_estimate：数值，从文本中提取的等位时长（如"waited 45 min"→45；"long line"→15（设默认值））
• sentiment_score：VADER 复合分，范围 [-1, 1]
• service_issue_score：规则+模型联合打分（0-1），公式：0.7 * rule_match + 0.3 * lr_proba，其中rule_match是是否触发等位/上菜/结账等规则，lr_proba是逻辑回归模型输出的概率
• price_sensitivity_flag：布尔值，若评论含overpriced,worth it,value,cheap,expensive等词，且rating与vader_score存在显著偏差（如rating=4但vader_score=-0.2），则为True

这些特征，每一列都能在周报里直接写成一句人话：“本周is_wait_time_mentioned比率上升 12%，主要集中在午市时段”。这才是 EDA 的终极交付物。

4. 实操过程与核心环节实现：从零开始跑通一次完整的 Yelp EDA

4.1 环境准备与依赖安装（避坑版）

别直接pip install pandas numpy scikit-learn。Yelp EDA 有特殊依赖，必须按顺序装：

# 1. 先装编译依赖（尤其 Linux/macOS） sudo apt-get install build-essential python3-dev # Ubuntu/Debian # 或 brew install gcc # macOS # 2. 安装核心库（注意版本！） pip install pandas==1.5.3 # 1.5.x 系列对中文路径兼容性最好 pip install numpy==1.23.5 pip install scikit-learn==1.2.2 pip install vaderSentiment==3.3.2 # 最新版修复了 emoji 解析 bug pip install fuzzywuzzy==0.18.0 pip install python-Levenshtein==0.20.9 # fuzzywuzzy 加速版，必须装 pip install geopy==2.3.0 pip install matplotlib==3.7.1 pip install seaborn==0.12.2

注意：scikit-learn1.3+ 版本移除了LinearRegression的normalize参数，而我的 TF-IDF 特征工程代码里用了它。不锁版本，pip install会自动升级，导致AttributeError。这是新手最常踩的坑，我花了 3 小时 debug 才定位到。

4.2 数据加载与初步探查（15 分钟内完成）

创建01_load_explore.py：

import pandas as pd import chardet import matplotlib.pyplot as plt import seaborn as sns # 步骤1：自动探测编码 def detect_encoding(file_path): with open(file_path, 'rb') as f: raw = f.read(10000) return chardet.detect(raw)['encoding'] file_path = 'yelp_scraped.csv' encoding = detect_encoding(file_path) print(f"使用编码 {encoding} 加载数据...") df = pd.read_csv(file_path, encoding=encoding) # 步骤2：快速体检报告 print(f"数据形状: {df.shape}") print(f"缺失值统计:\n{df.isnull().sum()}") print(f"评分分布:\n{df['rating'].value_counts().sort_index()}") # 步骤3：评论长度分布（关键！） plt.figure(figsize=(10, 6)) df['review_text'].str.len().hist(bins=50, alpha=0.7) plt.title('评论长度分布') plt.xlabel('字符数') plt.ylabel('频次') plt.axvline(x=20, color='r', linestyle='--', label='水军嫌疑线 (<20字)') plt.legend() plt.show() # 步骤4：抽样检查（人工校验起点） print("\n--- 随机抽样5条原始评论 ---") print(df[['review_text', 'rating', 'date']].sample(5, random_state=42))

运行后，你会立刻看到：

• 如果review_text列全是乱码，说明chardet失败，手动试gbk或latin-1；
• 如果长度分布图在 15 字处有个尖峰，立刻警觉水军；
• 抽样里若出现Sent from my iPhone，确认水印存在。

这 15 分钟，决定了后续所有工作的根基是否牢固。

4.3 清洗流水线实现（模块化，可复用）

创建02_cleaning_pipeline.py，所有清洗函数封装为可复用模块：

import re import pandas as pd from vaderSentiment.vaderSentiment import SentimentIntensityAnalyzer class YelpCleaner: def __init__(self): self.analyzer = SentimentIntensityAnalyzer() self.watermark_patterns = [ r'Sent from my \w+', r'Mobile review', r'via Yelp App', ] self.thanks_words = ['thanks', 'thank you', 'appreciate', 'grateful', 'visit', 'dine'] def remove_watermarks(self, text): if not isinstance(text, str): return '' for pat in self.watermark_patterns: text = re.sub(pat, '', text, flags=re.IGNORECASE) return text.strip() def is_promo_review(self, text, business_name, rating): """判断是否为商家自评""" if rating < 4: return False text_lower = text.lower() has_thanks = any(word in text_lower for word in self.thanks_words) has_name = business_name.lower() in text_lower if business_name else False return has_thanks and has_name def get_vader_consistency(self, text, rating): """返回 VADER 得分及一致性标签""" if not isinstance(text, str): return 0.0, False score = self.analyzer.polarity_scores(text)['compound'] # 动态阈值（根据你的数据调整） thresholds = {1: -0.3, 2: -0.1, 3: 0.0, 4: 0.3, 5: 0.5} consistent = (score <= thresholds.get(rating, 0)) if rating <= 3 else (score >= thresholds.get(rating, 0)) return score, consistent # 使用示例 cleaner = YelpCleaner() df['clean_text'] = df['review_text'].apply(cleaner.remove_watermarks) df['is_promo'] = df.apply(lambda x: cleaner.is_promo_review( x['clean_text'], x['business_name'], x['rating']), axis=1) df['vader_score'], df['vader_consistent'] = zip(*df.apply( lambda x: cleaner.get_vader_consistency(x['clean_text'], x['rating']), axis=1))

实操心得：把清洗逻辑封装成类，好处是：1）测试方便，cleaner.remove_watermarks("Sent from my iPhone")直接断言返回""；2）多人协作时，清洗标准统一；3）下次做 Google Maps 分析，只需继承YelpCleaner，重写watermark_patterns即可。

4.4 差评根因分析：从“服务差”到“等位超时”的穿透式挖掘

这是本项目最核心的分析环节。目标：回答“差评到底在抱怨什么？”。代码在03_root_cause_analysis.py：

import re from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report # 步骤1：构建差评样本集（rating <=2） df_low = df[df['rating'] <= 2].copy() print(f"差评样本数: {len(df_low)}") # 步骤2：规则引擎初筛（快、准） def extract_wait_issues(text): if not isinstance(text, str): return False # 精确匹配等位关键词 + 时长 wait_pattern = r'(wait|waited|waiting|line|queue|delay).*?(min|minute|hour|hr|long)' time_pattern = r'(\d+)\s*(min|minute|hour|hr)' has_wait = bool(re.search(wait_pattern, text, re.IGNORECASE)) time_match = re.search(time_pattern, text, re.IGNORECASE) wait_time = int(time_match.group(1)) if time_match else 0 return has_wait, wait_time df_low[['has_wait_issue', 'wait_time']] = df_low['clean_text'].apply( lambda x: pd.Series(extract_wait_issues(x)) ) # 步骤3：对规则未覆盖的差评，用模型深挖 df_model_input = df_low[~df_low['has_wait_issue']].copy() if len(df_model_input) > 100: # 确保有足够样本 # TF-IDF 向量化（只用 ngram=(1,2)，避免维度爆炸） vectorizer = TfidfVectorizer( max_features=5000, ngram_range=(1, 2), stop_words='english', min_df=2, max_df=0.95 ) X = vectorizer.fit_transform(df_model_input['clean_text']) y = (df_model_input['clean_text'].str.contains( r'staff|server|waiter|host|hostess|manager|front|door|seat|seating|table', case=False, regex=True )).astype(int) # 1=疑似服务问题，0=其他 # 训练轻量模型 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) model = LogisticRegression(max_iter=1000, C=1.0) model.fit(X_train, y_train) # 预测并获取特征权重 y_pred = model.predict(X_test) print("服务问题分类报告:") print(classification_report(y_test, y_pred)) # 解释模型：找出 top 10 最具指示性的词 feature_names = vectorizer.get_feature_names_out() coef = model.coef_[0] top_indices = coef.argsort()[-10:][::-1] print("\nTop 10 服务问题指示词:") for idx in top_indices: print(f"{feature_names[idx]}: {coef[idx]:.3f}") # 步骤4：合并规则+模型结果，生成最终标签 df_low['wait_issue_final'] = df_low['has_wait_issue'] | ( (model.predict(vectorizer.transform(df_low['clean_text'])) == 1) if 'model' in locals() else False )

运行后，你将得到：

• 规则引擎直接捕获的等位问题数量（例如 127 条）；
• 模型在剩余差评中识别出的潜在服务问题（例如 89 条）；
• 以及最关键的："waited long"、"no host"、"seating took forever"这些人类可读的指示词。

这才是业务方能听懂的语言。

4.5 可视化与洞察输出（告别词云，拥抱业务图表）

最后一步，把分析结果变成一张能放进 PPT 的图。拒绝词云（信息密度低），用seaborn做业务导向图表：

import seaborn as sns import matplotlib.pyplot as plt # 图1：差评根因分布（环形图，突出占比） cause_counts = { '等位超时': df_low['wait_issue_final'].sum(), '上菜慢': df_low['clean_text'].str.contains('food|dish|order|kitchen|cook', case=False).sum(), '结账问题': df_low['clean_text'].str.contains('bill|check|pay|cashier|payment', case=False).sum(), '其他': len(df_low) - df_low['wait_issue_final'].sum() - df_low['clean_text'].str.contains('food|dish|order|kitchen|cook', case=False).sum() - df_low['clean_text'].str.contains('bill|check|pay|cashier|payment', case=False).sum() } plt.figure(figsize=(8, 8)) plt.pie(cause_counts.values(), labels=cause_counts.keys(), autopct='%1.1f%%', startangle=90) plt.title('差评根因分布（n=213）') plt.show() # 图2：等位问题的时间趋势（折线图，指导排班） df_low['date'] = pd.to_datetime(df_low['date']) df_low['week'] = df_low['date'].dt.isocalendar().week wait_trend = df_low.groupby('week')['wait_issue_final'].mean().reset_index() plt.figure(figsize=(10, 5)) sns.lineplot(data=wait_trend, x='week', y='wait_issue_final', marker='o') plt.title('等位问题发生率周趋势') plt.ylabel('发生率') plt.xlabel('ISO Week') plt.grid(True) plt.show() # 图3：不同价位段的等位问题对比（柱状图，支撑定价策略） df_with_price = df_low.merge(df[['business_id',