今天小编给大家分享一下如何利用python实现简单的情感分析的相关知识点，内容详细，逻辑清晰，相信大部分人都还太了解这方面的知识，所以分享这篇文章给大家参考一下，希望大家阅读完这篇文章后有所收获，下面我们一起来了解一下吧。
1 数据导入及预处理
1.1 数据导入
# 数据导入import pandas as pddata = pd.read_csv('../data/京东评论数据.csv')data.head()
1.2 数据描述
# 数据描述data.describe()
1.3 数据预处理
# 数据预处理# 取出sku_Id,content字段data1 = data[['sku_id', 'content']]data1.head(10)
2 情感分析
2.1 情感分
# 情感分析from snownlp import SnowNLPdata1['emotion'] = data1['content'].apply(lambda x: SnowNLP(x).sentiments)data1.head()
# 情感数据描述data1.describe()
emotion平均值为0.74，中位数为0.96，25%分位数为0.56，可见不到25%的数据造成了整体均值的较大下移。
2.2 情感分直方图
# 绘制情感分直方图import matplotlib.pyplot as pltimport numpy as np plt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['axes.unicode_minus'] = False bins = np.arange(0, 1.1, 0.1)plt.hist(data1['emotion'], bins, color = '#4F94CD', alpha=0.9)plt.xlim(0, 1)plt.xlabel('情感分')plt.ylabel('数量')plt.title('情感分直方图')plt.show()
由直方图可见，评论内容两级分化较为严重；
3637条评论中有约2200条评论情感分在[0.9，1]区间内；同时，有约500条评论情感分在[0，0.1]区间内。
2.3 词云图
# 绘制词云图（这儿没有做停用词处理）from wordcloud import WordCloudimport jieba myfont = myfont = r'C:\Windows\Fonts\simhei.ttf'w = WordCloud(font_path=myfont)text = ''for i in data['content']: text += idata_cut = ' '.join(jieba.lcut(text))w.generate(data_cut)image = w.to_file('词云图.png')image
2.4 关键词提取
# 关键词提取top10# 这儿直接写import jieba运行会显示没有analyse属性from jieba import analyse key_words = jieba.analyse.extract_tags(sentence=text, topK=10, withWeight=True, allowPOS=())key_words
以上关键词显示，消费者比较在意手机的“屏幕”“拍照”“手感”等特性，“华为”“小米”是出现频次最高的两个手机品牌。
参数说明 ：
sentence 需要提取的字符串，必须是str类型，不能是list
topK 提取前多少个关键字
withWeight 是否返回每个关键词的权重
allowPOS是允许的提取的词性，默认为allowPOS=‘ns’, ‘n’, ‘vn’, ‘v’，提取地名、名词、动名词、动词
3 积极评论与消极评论
3.1 积极评论与消极评论占比
# 计算积极评论与消极评论各自的数目pos, neg = 0, 0for i in data1['emotion']: if i >= 0.5: pos += 1 else: neg += 1print('积极评论数目为:', pos, '\n消极评论数目为：', neg)
# 积极消极评论占比import matplotlib.pyplot as plt plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus'] = False pie_labels = 'positive', 'negative'plt.pie([pos, neg], labels=pie_labels, autopct='%1.2f%%', shadow=True) plt.show()
3.2 消极评论分析
# 获取消极评论的数据data2 = data1[data1['emotion'] < 0.5]data2.head()
#消极评论词云图（这儿没有做停用词处理）text2 = ''for s in data2['content']: text2 += sdata_cut2 = ' '.join(jieba.lcut(text2))w.generate(data_cut2)image = w.to_file('消极评论词云.png')image
#消极评论关键词top10key_words = jieba.analyse.extract_tags(sentence=text2, topK=10, withWeight=True, allowPOS=())key_words
消极评论关键词显示，“屏幕”“快递”“充电”是造成用户体验不佳的几个重要因素；屏幕和充电问题有可能是手机不良品率过高或快递压迫；
因此平台应注重提高手机品控，降低不良品率；另外应设法提升发货，配送，派件的效率和质量。
以上就是“如何利用python实现简单的情感分析”这篇文章的所有内容，感谢各位的阅读！相信大家阅读完这篇文章都有很大的收获，小编每天都会为大家更新不同的知识，如果还想学习更多的知识，请关注编程网行业资讯频道。
