利用python实现简单的情感分析实例教程
作者:IT之一小佬 时间:2021-12-27 18:19:42
python实现简单的情感分析
1 数据导入及预处理
1.1 数据导入
# 数据导入
import pandas as pd
data = 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 SnowNLP
data1['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 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('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 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('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, 0
for i in data1['emotion']:
if i >= 0.5:
pos += 1
else:
neg += 1
print('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 += s
data_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top10
key_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。
来源:https://blog.csdn.net/weixin_44799217/article/details/117364492
标签:python,情感,分析
![](/images/zang.png)
![](/images/jiucuo.png)
猜你喜欢
Python常用的文件及文件路径、目录操作方法汇总介绍
2022-03-21 00:00:25
python使用xlrd和xlwt读写Excel文件的实例代码
2021-08-30 08:43:55
Python数据存储之XML文档和字典的互转
2023-02-12 08:56:11
Python timer定时器两种常用方法解析
2023-07-21 19:20:56
基于Python制作一个汇率换算程序
2022-05-25 20:33:25
Python 限定函数参数的类型及默认值方式
2022-02-14 22:38:00
巧用SQL链接服务器访问远程Access数据库
2008-11-28 16:32:00
python爬虫之request模块深入讲解
2021-09-21 00:35:51
![](https://img.aspxhome.com/file/2023/7/118397_0s.png)
Go语言标准输入输出库的基本使用教程
2023-08-25 19:44:11
![](https://img.aspxhome.com/file/2023/3/101053_0s.png)
python中WSGI是什么,Python应用WSGI详解
2021-04-08 06:07:45
Python tornado上传文件的功能
2022-06-01 19:33:37
利用python 读写csv文件
2023-02-03 14:08:07
从MySQL4.0向MySQL5迁移数据
2007-11-19 13:11:00
![](https://img.aspxhome.com/file/UploadPic/200711/19/20071119131517223s.png)
Python3实现并发检验代理池地址的方法
2023-10-14 01:03:58
一位网友的DIV CSS编码笔记——XieBiji
2008-09-12 12:22:00
python使用自定义user-agent抓取网页的方法
2021-12-27 03:09:56
Flask request 对象介绍
2022-11-01 23:45:35
![](https://img.aspxhome.com/file/2023/3/78543_0s.png)
Python导入不同文件夹中文件的方法详解
2022-01-22 09:30:08
![](https://img.aspxhome.com/file/2023/7/66297_0s.png)
python实现socket+threading处理多连接的方法
2021-12-16 17:54:32
![](https://img.aspxhome.com/file/2023/9/135279_0s.jpg)
Golang Gin局部和全局中间件使用详解
2023-07-10 03:03:00
![](https://img.aspxhome.com/file/2023/7/86297_0s.jpg)