快捷導(dǎo)航

利用python實(shí)現(xiàn)簡單的情感分析實(shí)例教程

更新時間：2022年06月11日 10:41:00 作者：IT之一小佬

商品評論挖掘、電影推薦、股市預(yù)測……情感分析大有用武之地,下面這篇文章主要給大家介紹了關(guān)于利用python實(shí)現(xiàn)簡單的情感分析的相關(guān)資料,文中通過示例代碼介紹的非常詳細(xì),需要的朋友可以參考下

1 數(shù)據(jù)導(dǎo)入及預(yù)處理

1.1 數(shù)據(jù)導(dǎo)入

#  數(shù)據(jù)導(dǎo)入
import pandas as pd
data = pd.read_csv('../data/京東評論數(shù)據(jù).csv')
data.head()

1.2 數(shù)據(jù)描述

#  數(shù)據(jù)描述
data.describe()

1.3 數(shù)據(jù)預(yù)處理

#  數(shù)據(jù)預(yù)處理
#  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 SnowNLP
data1['emotion'] = data1['content'].apply(lambda x: SnowNLP(x).sentiments)
data1.head()

#  情感數(shù)據(jù)描述
data1.describe()

emotion平均值為0.74，中位數(shù)為0.96，25%分位數(shù)為0.56，可見不到25%的數(shù)據(jù)造成了整體均值的較大下移。

2.2 情感分直方圖

#  繪制情感分直方圖
import matplotlib.pyplot as plt
import 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('數(shù)量')
plt.title('情感分直方圖')
plt.show()

由直方圖可見，評論內(nèi)容兩級分化較為嚴(yán)重；

3637條評論中有約2200條評論情感分在[0.9，1]區(qū)間內(nèi)；同時，有約500條評論情感分在[0，0.1]區(qū)間內(nèi)。

2.3 詞云圖

#  繪制詞云圖（這兒沒有做停用詞處理）
from wordcloud import WordCloud
import jieba
 
myfont = myfont = r'C:\Windows\Fonts\simhei.ttf'
w = WordCloud(font_path=myfont)
text = ''
for i in data['content']:
    text += i
data_cut = ' '.join(jieba.lcut(text))
w.generate(data_cut)
image = w.to_file('詞云圖.png')
image

2.4 關(guān)鍵詞提取

#  關(guān)鍵詞提取top10
#  這兒直接寫import jieba運(yùn)行會顯示沒有analyse屬性
from jieba import analyse
 
key_words = jieba.analyse.extract_tags(sentence=text, topK=10, withWeight=True, allowPOS=())
key_words

以上關(guān)鍵詞顯示，消費(fèi)者比較在意手機(jī)的“屏幕”“拍照”“手感”等特性，“華為”“小米”是出現(xiàn)頻次最高的兩個手機(jī)品牌。

參數(shù)說明：

sentence 需要提取的字符串，必須是str類型，不能是list
topK 提取前多少個關(guān)鍵字
withWeight 是否返回每個關(guān)鍵詞的權(quán)重
allowPOS是允許的提取的詞性，默認(rèn)為allowPOS=‘ns’, ‘n’, ‘vn’, ‘v’，提取地名、名詞、動名詞、動詞

3 積極評論與消極評論

3.1 積極評論與消極評論占比

#  計(jì)算積極評論與消極評論各自的數(shù)目
pos, neg = 0, 0
for i in data1['emotion']:
    if i >= 0.5:
        pos += 1
    else:
        neg += 1
print('積極評論數(shù)目為:', pos, '\n消極評論數(shù)目為：', neg)

#  積極消極評論占比
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 消極評論分析

#  獲取消極評論的數(shù)據(jù)
data2 = data1[data1['emotion'] < 0.5]
data2.head()

#消極評論詞云圖（這兒沒有做停用詞處理）
text2 = ''
for s in data2['content']:
    text2 += s
data_cut2 = ' '.join(jieba.lcut(text2))
w.generate(data_cut2)
image = w.to_file('消極評論詞云.png')
image

#消極評論關(guān)鍵詞top10
key_words = jieba.analyse.extract_tags(sentence=text2, topK=10, withWeight=True, allowPOS=())
key_words

消極評論關(guān)鍵詞顯示，“屏幕”“快遞”“充電”是造成用戶體驗(yàn)不佳的幾個重要因素；屏幕和充電問題有可能是手機(jī)不良品率過高或快遞壓迫；

因此平臺應(yīng)注重提高手機(jī)品控，降低不良品率；另外應(yīng)設(shè)法提升發(fā)貨，配送，派件的效率和質(zhì)量。

總結(jié)

到此這篇關(guān)于利用python實(shí)現(xiàn)簡單的情感分析的文章就介紹到這了,更多相關(guān)python情感分析內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章:

欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片