python实现文本情感分析_【转】用python实现简单的文本情感分析
importjiebaimportnumpy as np#打开词典文件,返回列表
def open_dict(Dict='hahah',path = r'/Users/zhangzhenghai/Downloads/Textming/'):
path= path + '%s.txt' %Dict
dictionary= open(path, 'r', encoding='utf-8')
dict=[]for word indictionary:
word= word.strip('\n')
dict.append(word)returndictdefjudgeodd(num):if num % 2 ==0:return 'even'
else:return 'odd'deny_word= open_dict(Dict='否定词')
posdict= open_dict(Dict='positive')
negdict= open_dict(Dict = 'negative')
degree_word= open_dict(Dict = '程度级别词语',path=r'/Users/zhangzhenghai/Downloads/Textming/')
mostdict= degree_word[degree_word.index('extreme')+1: degree_word.index('very')] #权重4,即在情感前乘以3
verydict = degree_word[degree_word.index('very')+1: degree_word.index('more')] #权重3
moredict = degree_word[degree_word.index('more')+1: degree_word.index('ish')]#权重2
ishdict = degree_word[degree_word.index('ish')+1: degree_word.index('last')]#权重0.5
defsentiment_score_list(dataset):
seg_sentence= dataset.split('。')
count1=[]
count2=[]for sen in seg_sentence: #循环遍历每一个评论
segtmp = jieba.lcut(sen, cut_all=False) #把句子进行分词,以列表的形式返回
i = 0 #记录扫描到的词的位置
a = 0 #记录情感词的位置
poscount = 0 #积极词的第一次分值
poscount2 = 0 #积极反转后的分值
poscount3 = 0 #积极词的最后分值(包括叹号的分值)
negcount =0
negcount2=0
negcount3=0for word insegtmp:if word in posdict: #判断词语是否是情感词
poscount +=1c=0for w in segtmp[a:i]: #扫描情感词前的程度词
if w inmostdict:
poscount*= 4.0
elif w inverydict:
poscount*= 3.0
elif w inmoredict:
poscount*= 2.0
elif w inishdict:
poscount*= 0.5
elif w in deny_word: c+= 1
if judgeodd(c) == 'odd': #扫描情感词前的否定词数
poscount *= -1.0poscount2+=poscount
poscount=0
poscount3= poscount + poscount2 +poscount3
poscount2=0else:
poscount3= poscount + poscount2 +poscount3
poscount=0
a= i+1
elif word in negdict: #消极情感的分析,与上面一致
negcount += 1d=0for w insegtmp[a:i]:if w inmostdict:
negcount*= 4.0
elif w inverydict:
negcount*= 3.0
elif w inmoredict:
negcount*= 2.0
elif w inishdict:
negcount*= 0.5
elif w indegree_word:
d+= 1
if judgeodd(d) == 'odd':
negcount*= -1.0negcount2+=negcount
negcount=0
negcount3= negcount + negcount2 +negcount3
negcount2=0else:
negcount3= negcount + negcount2 +negcount3
negcount=0
a= i + 1
elif word == '!' or word == '!': #判断句子是否有感叹号
for w2 in segtmp[::-1]: #扫描感叹号前的情感词,发现后权值+2,然后退出循环
if w2 in posdict ornegdict:
poscount3+= 2negcount3+= 2
breaki+= 1
#以下是防止出现负数的情况
pos_count =0
neg_count=0if poscount3 <0 and negcount3 >0:
neg_count+= negcount3 -poscount3
pos_count=0elif negcount3 <0 and poscount3 >0:
pos_count= poscount3 -negcount3
neg_count=0elif poscount3 <0 and negcount3 <0:
neg_count= -pos_count
pos_count= -neg_countelse:
pos_count=poscount3
neg_count=negcount3
count1.append([pos_count,neg_count])
count2.append(count1)
count1=[]returncount2defsentiment_score(senti_score_list):
score=[]for review insenti_score_list:
score_array=np.array(review)
Pos=np.sum(score_array[:,0])
Neg= np.sum(score_array[:,1])
AvgPos=np.mean(score_array[:,0])
AvgPos= float('%.lf' %AvgPos)
AvgNeg= np.mean(score_array[:, 1])
AvgNeg= float('%.1f' %AvgNeg)
StdPos=np.std(score_array[:, 0])
StdPos= float('%.1f' %StdPos)
StdNeg= np.std(score_array[:, 1])
StdNeg= float('%.1f' %StdNeg)
score.append([Pos,Neg,AvgPos,AvgNeg,StdPos,StdNeg])returnscore
data= '用了几天又来评价的,手机一点也不卡,玩荣耀的什么的不是问题,充电快,电池够大,玩游戏可以玩几个小时,待机应该可以两三天吧,很赞'data2= '不知道怎么讲,真心不怎么喜欢,通话时声音小,新手机来电话竟然卡住了接不了,原本打算退,刚刚手机摔了,又退不了,感觉不会再爱,像素不知道是我不懂还是怎么滴 感觉还没z11mini好,哎要我怎么评价 要我如何喜欢努比亚 太失望了'
print(sentiment_score(sentiment_score_list(data)))print(sentiment_score(sentiment_score_list(data2)))
情感分析简介:
情感分析就是分析一句话说得是很主观还是客观描述,分析这句话表达的是积极的情绪还是消极的情绪。
原理
比如这么一句话:“这手机的画面极好,操作也比较流畅。不过拍照真的太烂了!系统也不好。”
① 情感词
要分析一句话是积极的还是消极的,最简单最基础的方法就是找出句子里面的情感词,积极的情感词比如:赞,好,顺手,华丽等,消极情感词比如:差,烂,坏,坑爹等。出现一个积极词就+1,出现一个消极词就-1。
里面就有“好”,“流畅”两个积极情感词,“烂”一个消极情感词。那它的情感分值就是1+1-1+1=2. 很明显这个分值是不合理的,下面一步步修改它。
② 程度词
“好”,“流畅”和‘烂“前面都有一个程度修饰词。”极好“就比”较好“或者”好“的情感更强,”太烂“也比”有点烂“情感强得多。所以需要在找到情感词后往前找一下有没有程度修饰,并给不同的程度一个权值。比如”极“,”无比“,”太“就要把情感分值*4,”较“,”还算“就情感分值*2,”只算“,”仅仅“这些就*0.5了。那么这句话的情感分值就是:4*1+1*2-1*4+1=3
③ 感叹号
可以发现太烂了后面有感叹号,叹号意味着情感强烈。因此发现叹号可以为情感值+2. 那么这句话的情感分值就变成了:4*1+1*2-1*4-2+1 = 1
④ 否定词
明眼人一眼就看出最后面那个”好“并不是表示”好“,因为前面还有一个”不“字。所以在找到情感词的时候,需要往前找否定词。比如”不“,”不能“这些词。而且还要数这些否定词出现的次数,如果是单数,情感分值就*-1,但如果是偶数,那情感就没有反转,还是*1。在这句话里面,可以看出”好“前面只有一个”不“,所以”好“的情感值应该反转,*-1。
因此这句话的准确情感分值是:4*1+1*2-1*4-2+1*-1 = -1
⑤ 积极和消极分开来
再接下来,很明显就可以看出,这句话里面有褒有贬,不能用一个分值来表示它的情感倾向。而且这个权值的设置也会影响最终的情感分值,敏感度太高了。因此对这句话的最终的正确的处理,是得出这句话的一个积极分值,一个消极分值(这样消极分值也是正数,无需使用负数了)。它们同时代表了这句话的情感倾向。所以这句评论应该是”积极分值:6,消极分值:7“
⑥ 以分句的情感为基础
再仔细一步,详细一点,一条评论的情感分值是由不同的分句加起来的,因此要得到一条评论的情感分值,就要先计算出评论中每个句子的情感分值。这条例子评论有四个分句,因此其结构如下([积极分值, 消极分值]):[[4, 0], [2, 0], [0, 6], [0, 1]]
以上就是使用情感词典来进行情感分析的主要流程了,算法的设计也会按照这个思路来实现。
算法设计
第一步:读取评论数据,对评论进行分句。
第二步:查找对分句的情感词,记录积极还是消极,以及位置。
第三步:往情感词前查找程度词,找到就停止搜寻。为程度词设权值,乘以情感值。
第四步:往情感词前查找否定词,找完全部否定词,若数量为奇数,乘以-1,若为偶数,乘以1。
第五步:判断分句结尾是否有感叹号,有叹号则往前寻找情感词,有则相应的情感值+2。
第六步:计算完一条评论所有分句的情感值,用数组(list)记录起来。
第七步:计算并记录所有评论的情感值。
第八步:通过分句计算每条评论的积极情感均值,消极情感均值,积极情感方差,消极情感方差。
存粹转发,留着以后自己用,后经试验部分代码健壮性差点(评论文字稍长,程序报错),需要的时候再加固。
python实现文本情感分析_【转】用python实现简单的文本情感分析相关推荐
- python能做财务分析吗_您可以使用Python进行财务规划和分析吗?
python能做财务分析吗 问题 (The Problem) If you work in the Financial Planning and Analysis area, chances are ...
- opencv python3 文本区域识别_使用等高线从图像中提取文本区域 - Opencv,Python
我一直在使用python中的opencv开发名片的OCR项目 . 直到现在,我已经能够裁剪图像卡 . 我试图使用轮廓检测裁剪图像中的文本区域 . (即,拍摄Canny图像,从这些边缘找到轮廓并将它们扩 ...
- python彩票结果分析_即将放弃Python 2.7的不止有Numpy,还有pandas和这些工具
原标题:即将放弃Python 2.7的不止有Numpy,还有pandas和这些工具 机器之心报道 参与:黄小天.路雪.李泽南 最近,Numpy 团队的一份声明引发了数据科学社区的关注:这一科学计算库即 ...
- python彩票结果分析_天啦噜!Python多线程居然是骗人的?
Python解释执行原理 我是一个Python线程,我的工作就是解释执行程序员编写的Python代码. 之所以说是解释执行,是因为Python是高级语言,CPU那家伙不认识Python代码,需要运行的 ...
- python将字符串逆序_为什么说Python是一门伟大的入门语言?(附免费教程)
Python 是一门伟大的入门语言.作为一门伟大的编程语言,一定要具备一些特征,其中有五项特征是非常重要的: 非常棒的首次体验:就像书的开始,首先一定要能够"沉迷",学习新知识一定 ...
- python语言中运算符号_详细介绍Python语言中的按位运算符
<从问题到程序:用Python学编程和计算>--2.11 补充材料 本节书摘来自华章计算机<从问题到程序:用Python学编程和计算>一书中的第2章,第2.11节,作者:裘宗燕 ...
- python语法详解大全_笔记:Python 语法要点汇总
Python 是一门解释型语言,无需编译和链接 Python 解释器 交互模式 脚本模式 源码编码 默认情况下,Python 源文件是 UTF-8 编码 指定源文件的字符编码 # -*- coding ...
- python都有什么包_常用的Python包有哪些,如何快速掌握Python编程
Python入门简单.功能强大,是很多想要入行IT开发行业人士的主要选择.Python包可以帮助Web开发人员快速和容易地创建应用程序和功能,因此很多企业在招聘时都会考察求职者对于Python包的掌握 ...
- 用python绘制好看的图形_怎么用Python画出好看的词云图?
相信很多人在第一眼看到下面这些图时,都会被其牛逼的视觉效应所吸引,这篇文章就教大家怎么用Python画出这种图. 前期准备 上面的这种图叫做词云图,主要用途是将文本数据中出现频率较高的关键词以可视化的 ...
- python write 写多行_如何用 Python 执行单行命令
一般来说,面对日常处理的一些小任务,直接用 sed,grep 之类的就可以搞定,更复杂一点的就会考虑 awk 或者用一些现成的轮子,要是 awk 搞不定我就只好用 Python 了.但有些时候,我仅仅 ...
最新文章
- CentOS中Mysql常用操作
- 3D Point Cloud Library install
- 软件需求管理用例方法二
- 反弹端口 HTTP代理 HTTP隧道技术
- Windows自动关闭程序
- VMWare共享文件
- Flutter 核心原理与混合开发模式
- centos 卸载ffmpeg_Linux下ffmpeg的完整安装
- 英语口语海报演讲--东软
- 基于java的数据结构学习——数组实现的栈以及简单应用
- POSIX互斥锁api函数
- Spring源码入门——DefaultBeanNameGenerator解析
- Python调用API接口的几种方式
- Promise--优雅的异步回调解决方案
- 多模态中预训练的演变史
- c++ opencv mat_【CV实战】OpenCV—Hello world代码示例
- java丑数算法_Java代码如何实现求第N个丑数?实现和思路分享
- pkm是什么意思_2017年的你应该拥有什么样的PKM系统?
- 菜鸟的Java基础知识学习
- 华硕服务器怎么装win7系统教程,华硕win7系统重装教程