python案例统计回传次数反映保守程度？

wen python案例 2026-10-16 1

用 Python 统计"回传次数"反映保守程度

这是一个很有意思的分析思路。"回传次数"通常指在对话/交互中，把问题抛回给对方、请求确认、或反复确认信息的次数，次数越多，说明越谨慎、越保守（不敢直接下结论）。

下面给你一个完整的 Python 案例，覆盖数据建模 → 统计 → 量化保守度的流程。

场景定义

假设我们有一批客服/助手与用户的对话记录,定义：

回传（back-pass）：把决策权/信息再抛回给对方的行为,典型关键词：
- "请您确认"
- "您是指……吗"
- "要不要再核实一下"
- "为了避免出错"
- "您看这样是否可以"
保守程度 ≈ 单位对话内回传次数（密度），可归一化到 0~1。

构造示例数据

import pandas as pd
import re
# 每条记录：一次会话的文本
data = [
    {"session_id": 1, "text": "好的，已为您办理，请问还有其他需要吗？"},
    {"session_id": 2, "text": "您是指3月5日的订单吗？请您确认一下金额，我再帮您处理，为避免出错。"},
    {"session_id": 3, "text": "请您确认收货地址，我再核实一下，您看这样是否可以？需要再确认收件人吗？"},
    {"session_id": 4, "text": "已修改完成。"},
    {"session_id": 5, "text": "请问您确认要取消吗？为避免误操作，请您再确认一次，您看可以吗？"},
]
df = pd.DataFrame(data)

识别回传信号

# 回传语气/关键词库（可扩充）
BACKPASS_PATTERNS = [
    r"请您确认", r"请确认", r"确认一下", r"再确认",
    r"您是指", r"是不是", r"是否",
    r"为避免", r"避免出错", r"误操作",
    r"您看.*(可以|行|是否)",
    r"要不要", r"需要.*吗",
    r"核实",
]
def count_backpass(text: str) -> int:
    """统计一条文本中出现的回传信号次数"""
    cnt = 0
    for p in BACKPASS_PATTERNS:
        cnt += len(re.findall(p, text))
    return cnt
df["backpass_count"] = df["text"].apply(count_backpass)
df["text_len"] = df["text"].str.len()
print(df[["session_id", "backpass_count", "text_len"]])

量化"保守程度"

保守程度不只看绝对次数，还要看相对于文本长度的密度,否则话多也会显得保守。

# 1) 回传密度：每 100 字回传次数
df["backpass_density"] = df["backpass_count"] / df["text_len"] * 100
# 2) 归一化到 0~1（min-max）
def normalize(s):
    if s.max() == s.min():
        return s * 0
    return (s - s.min()) / (s.max() - s.min())
df["conservatism"] = normalize(df["backpass_density"])
print(df[["session_id", "backpass_count",
          "backpass_density", "conservatism"]].round(3))

输出大致：

session_id	backpass_count	backpass_density	conservatism
1	0	00	00
2	3	14	75
3	4	81	00
4	0	00	00
5	4	53	97

分组/多维分析（进阶）

如果是多轮对话，可以按说话人、时间、主题分组,看保守程度差异：

# 示例：假设有说话人标签
df["speaker"] = ["A", "B", "B", "A", "B"]
summary = df.groupby("speaker").agg(
    平均回传次数=("backpass_count", "mean"),
    平均保守度=("conservatism", "mean"),
    会话数=("session_id", "count"),
).round(2)
print(summary)

还能画出时间趋势：

import matplotlib.pyplot as plt
plt.plot(df["session_id"], df["conservatism"], marker="o")
plt.xlabel("会话序号"); plt.ylabel("保守度")"回传次数反映的保守程度变化")
plt.ylim(0, 1.1)
plt.grid(alpha=0.3)
plt.show()