情感分析textblob--英文分析

美图欣赏：

一.textblob介绍

1.TextBlob：简化文本处理

TextBlob是用于处理文本数据的Python（2和3）库。它提供了一个简单的API，用于深入研究普通自然语言处理（NLP）任务，例如词性标记，名词短语提取，情感分析，分类，翻译等。

2.功能

名词短语提取
词性标记
情绪分析
分类（朴素贝叶斯，决策树）
由Google翻译提供的语言翻译和检测标记化(将文本分为单词和句子）
单词和短语的频率
单词变形（复数和单数）和词形化
拼写校正
通过扩展添加新的模型或语言
WordNet整合

注：https://textblob.readthedocs.io/en/dev/ 内容详解

二.textblob安装

在pycharm中的Terminal中执行这个命令

$ pip install -U textblob

三.代码实现

1.利用textblob的TextBlob方法实现分句

import textblob
text1 = "No matter how many characters are available for your password you should be sure to use every one of them. " \"The more characters available for your password and the more you use makes it that much harder to figure out the combination. " \"Always make use of all characters available for a strong and secure password."
#1.利用textblob的TextBlob生成一个模型
blob1 = textblob.TextBlob(text1)#sentences方法进行分句
sentences1 = blob1.sentences
print("1.分句是：",sentences1)

运行结果：

1.分句是： [Sentence("No matter how many characters are available for your password you should be sure to use every one of them."), Sentence("The more characters available for your password and the more you use makes it that much harder to figure out the combination."), Sentence("Always make use of all characters available for a strong and secure password.")]

2 根据分句实现分词

word_list=[]#声明一个list集合存储所有的分词结果
for sentences in sentences1:word_list.append(sentences.words)print(sentences.words)
print("2. 分词： ",word_list)

运行结果：

2. 分词：  [WordList(['No', 'matter', 'how', 'many', 'characters', 'are', 'available', 'for', 'your', 'password', 'you', 'should', 'be', 'sure', 'to', 'use', 'every', 'one', 'of', 'them']), WordList(['The', 'more', 'characters', 'available', 'for', 'your', 'password', 'and', 'the', 'more', 'you', 'use', 'makes', 'it', 'that', 'much', 'harder', 'to', 'figure', 'out', 'the', 'combination']), WordList(['Always', 'make', 'use', 'of', 'all', 'characters', 'available', 'for', 'a', 'strong', 'and', 'secure', 'password'])]

3.统计单个单词出现的次数

counts_you_ = blob1.word_counts['you']#这里一定要用blob1调用
print('3. you出现的次数',counts_you_)

运行结果：

3. you 出现的次数 2

4.统计名词出现的次数

import textblob
text="Beautiful is better than ugly." \" Explicit is better than implicit. " \"Simple is better than complex."
#1.利用textblob的TextBlob生成一个模型
blob=textblob.TextBlob(text)#noun_phrases统计名词短语，case_sensitive大小写是否敏感(False为不敏感，大写小写都可以识别；True反之)
noun_counts=blob.noun_phrases.count('Simple',case_sensitive=False)
print("4. Simple 出现的次数",noun_counts)

运行结果：

4. Simple 出现的次数 1

5.统计所有单词次数

word_list1 = []
for lis1 in sentences1: #这里一定要用sentences1word_list1 = lis1.word_countsprint(word_list1)
print(word_list)

运行结果：

defaultdict(<class 'int'>, {'no': 1, 'matter': 1, 'how': 1, 'many': 1, 'characters': 1, 'are': 1, 'available': 1, 'for': 1, 'your': 1, 'password': 1, 'you': 1, 'should': 1, 'be': 1, 'sure': 1, 'to': 1, 'use': 1, 'every': 1, 'one': 1, 'of': 1, 'them': 1})
defaultdict(<class 'int'>, {'the': 3, 'more': 2, 'characters': 1, 'available': 1, 'for': 1, 'your': 1, 'password': 1, 'and': 1, 'you': 1, 'use': 1, 'makes': 1, 'it': 1, 'that': 1, 'much': 1, 'harder': 1, 'to': 1, 'figure': 1, 'out': 1, 'combination': 1})
defaultdict(<class 'int'>, {'always': 1, 'make': 1, 'use': 1, 'of': 1, 'all': 1, 'characters': 1, 'available': 1, 'for': 1, 'a': 1, 'strong': 1, 'and': 1, 'secure': 1, 'password': 1})
[WordList(['No', 'matter', 'how', 'many', 'characters', 'are', 'available', 'for', 'your', 'password', 'you', 'should', 'be', 'sure', 'to', 'use', 'every', 'one', 'of', 'them']), WordList(['The', 'more', 'characters', 'available', 'for', 'your', 'password', 'and', 'the', 'more', 'you', 'use', 'makes', 'it', 'that', 'much', 'harder', 'to', 'figure', 'out', 'the', 'combination']), WordList(['Always', 'make', 'use', 'of', 'all', 'characters', 'available', 'for', 'a', 'strong', 'and', 'secure', 'password'])]

6.词性标注

#tags词性标注方法tags = blob1.tags
print(tags)

运行结果：

[('No', 'DT'), ('matter', 'NN'), ('how', 'WRB'), ('many', 'JJ'), ('characters', 'NNS'), ('are', 'VBP'), ('available', 'JJ'), ('for', 'IN'), ('your', 'PRP$'), ('password', 'NN'), ('you', 'PRP'), ('should', 'MD'), ('be', 'VB'), ('sure', 'JJ'), ('to', 'TO'), ('use', 'VB'), ('every', 'DT'), ('one', 'CD'), ('of', 'IN'), ('them', 'PRP'), ('The', 'DT'), ('more', 'JJR'), ('characters', 'NNS'), ('available', 'JJ'), ('for', 'IN'), ('your', 'PRP$'), ('password', 'NN'), ('and', 'CC'), ('the', 'DT'), ('more', 'JJR'), ('you', 'PRP'), ('use', 'VBP'), ('makes', 'VBZ'), ('it', 'PRP'), ('that', 'IN'), ('much', 'JJ'), ('harder', 'JJR'), ('to', 'TO'), ('figure', 'VB'), ('out', 'RP'), ('the', 'DT'), ('combination', 'NN'), ('Always', 'NNS'), ('make', 'VBP'), ('use', 'NN'), ('of', 'IN'), ('all', 'DT'), ('characters', 'NNS'), ('available', 'JJ'), ('for', 'IN'), ('a', 'DT'), ('strong', 'JJ'), ('and', 'CC'), ('secure', 'JJ'), ('password', 'NN')]

7.情感分析

(1)积极（polarity） / 消极 值越大，越积极（-1，1）
(2)主观（subjectivity）/客观 值越大，越主观（0，1）

注：生成的是俩个数值

1.案例1(积极的)：

text = "JacksonYee is very handsome "
blob = textblob.TextBlob(text)
result_sentiment = blob.sentiment
print(result_sentiment)

运行结果：

Sentiment(polarity=0.65, subjectivity=1.0)

2.案例2(消极的)：

text = "mike is very ugly "
blob = textblob.TextBlob(text)
result_sentiment = blob.sentiment
print(result_sentiment)

运行结果：

Sentiment(polarity=-0.9099999999999999, subjectivity=1.0)

8.机器翻译

#1.从英文翻译成中文english_test = "Jackson is very handsome "
english_blob = textblob.TextBlob(english_test)
chinese_test = english_blob.translate(from_lang='en',to='zh-CN') #translate方法翻译  #en表示英语，to表示转化,zh-CN表示汉语
print(chinese_test)

#2.从英文翻译成中文ch_test = "保持饥饿，保持学习"
ch_blob = textblob.TextBlob(ch_test)
en_test = ch_blob.translate(from_lang='zh-CN',to='en') #translate方法翻译  #zh-CN表示汉语 ，to表示转化, en表示英语
print(en_test)

      ————保持饥饿，保持学习Jackson_MVP

情感分析textblob--英文分析相关推荐

英文文本情感分析textblob模块sentiment方法
[小白从小学Python.C.Java] [计算机等考+500强证书+考研] [Python-数据分析] 英文文本情感分析 textblob模块 sentiment方法 [太阳]选择题关于下列代码说 ...
情感分析实战(英文)-数据预处理篇
情感分析实战(英文)-数据预处理与情感分类模块背景:该专栏的目的是将自己做了N个情感分析的毕业设计的一个总结版,不仅自己可以在这次总结中,把自己过往的一些经验进行归纳,梳理,巩固自己的知识从而进一步 ...
【Python数据分析】文本情感分析——电影评论分析（一）
情感分析是文本分析的一种,它能够从一段文本描述中理解文本的感情色彩,是褒义.贬义还是中性.常见的情感分析的使用场景就是客户对商品或服务的评价.反馈,传统模式下的人工审核,不仅消耗大量人力,而且效率 ...
人工智能Java SDK：kafka-情感倾向分析【英文】
kafka-情感倾向分析[英文]SDK 情感倾向分析(Sentiment Classification) 针对带有主观描述的文本,可自动判断该文本的情感极性类别并给出相应的置信度, 能够帮助企业理解用 ...
基于Twitter数据的情感预测与案例分析
导读本次分享的是关于文本分析中的情感预测分析和主题分析的一个小科研项目,数据爬取自Twitter,主要内容分为3部分: 1.情感预测机器学习模型选择及建立 2.情感预测深度学习模型LSTM的介绍和建 ...
python nlp情感分析之极性分析
背景目前做情感分析基本使用机器学习或者深度学习进行情感分析,准确率已经很高了.最近与某高校新闻媒体学院合作进行大数据情感分析,学院老师要求采用情感字典进行情感极性分析,之前做项目情感分析都是采用深度 ...
【Python数据分析】文本情感分析——电影评论分析（二）
接上一篇<[Python数据分析]文本情感分析--电影评论分析(一)>. 目录文本向量化词袋模型 TF-IDF 建立模型构建训练集与测试集特征选择方差分析逻辑回归朴素贝叶斯 ...
EDG夺冠，用爬虫+数据分析+自然语言处理(情感分析)+数据可视化分析3万条数据：粉丝都疯了(唯一原创)
原创不易,本文禁止抄袭.转载,违权必究! 目录一.EDG夺冠信息二.实战目标 2.1 网络爬虫 2.2 数据可视化(词云图) 2.3 自然语言处理(情感分析) 三.bilibili接口分析四.编 ...
python中文文本分析_python--文本分析
一. 导读文本分析主要用来分词分析,情感分析以及主题分析,参考知乎用户的文章,他从方法代码上讲解了中英文分词(wordcloud,jieba),中英文情感分析(textblob,snownlp), ...
python数据获取与文本分析_python文本分析之处理和理解文本
前言: 在进行自然语言的建模(NLP)时,我们通常难以处理文字类型的数据,因此在常见的机器学习项目中,数据的格式是结构化的,就算在视觉处理的时候也是一个矩阵或者高维张量的形式.那么文字类型的数据我们应 ...

情感分析textblob--英文分析

一.textblob介绍

二.textblob安装

三.代码实现

情感分析textblob--英文分析相关推荐

最新文章

热门文章