python实现情感分析流程-【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(" ")
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实现情感分析流程-【转】用python实现简单的文本情感分析相关推荐
- python实现文本情感分析_用python实现简单的文本情感分析
很久没在公众号发布新内容,在这段时间内没想到有这么多python爱好者关注了我,港真的,心里很兴奋激动. 今天给大家带来我刚刚实现了的简单多文本情感分析代码,代码环境python3.5 原理 比如这么 ...
- 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/Do ...
- 阅读分析下列html,阅读下列说明和 HTML 文本，分析其中嵌入的 JavaScript. 脚本..._考试资料网...
阅读下列说明和 HTML 文本,分析其中嵌入的 JavaScript. 脚本,将应填(n)处的语句写在对应栏内. [说明] 登录Web页时,在Web页中显示"welcome to my ho ...
- 阅读分析下列html,阅读下列说明和HTML文本，分析其中嵌入的JavaScdpt脚本， [说明]..._考试资料网...
阅读下列说明和HTML文本,分析其中嵌入的JavaScdpt脚本, [说明] 在表单的多行文本域中显示打字效果,即先显示一个光标,再显示一个字,然后循环显不, [HTML 文本] <html&g ...
- python中数据分析的流程为-用Python进行数据分析-1
第一章 准备工作 1.3 重要的python数据库 Numpy:是python科学计算的基础包,本书大部分内容都基于numpy以及构建于其上的库功能如下: -快速高效的多维数组对象ndarray. - ...
- python中数据分析的流程为-利用python进行数据分析——histogram
DataFrame.hist(data,column=None,by=None,grid=True,xlabelsize=None,xrot=None,ylabelsize=None,yrot=Non ...
- 【Python】文本情感分析及绘制词云
码字不易,喜欢请点赞!!! 这篇文章主要分享了使用Python来对文本数据进行情感分析以及绘制词云. 主要步骤包括: 1.文本预处理 2.文本分词 3.去除停用词(这里设置为单个词和一些常见的停用词) ...
- python爬虫自学笔记分析解密_python爬虫学习笔记——1 各种文本分析工具简介之汇总...
此处只简单汇总一下各种文本工具名目,他们的详细使用参见具体帖子.本文主要参考<8种目前Python使用率最高的文本处理工具>一文0.SnowNLP包 用于中文文本的处理 1.Jieba 2 ...
- python 多分类情感_文本情感分类（一）：传统模型
前言:四五月份的时候,我参加了两个数据挖掘相关的竞赛,分别是物电学院举办的"亮剑杯",以及第三届 "泰迪杯"全国大学生数据挖掘竞赛.很碰巧的是,两个比赛中,都有 ...
最新文章
- 2021年大数据Spark（十六）：Spark Core的RDD算子练习
- python中字符串格式化%与.format
- Spring Data JPA 从入门到精通~javax.persistence概况介绍
- 1环境-企业级 Hyper-v 群集部署实验方案
- 【GDB调试学习笔记】调试逻辑错误
- ASP.NET MVC 第四个预览版（第一部分）
- 固态硬盘安装记录之数据二次迁移
- jmeter基本教程
- 整理：.NET 性能优化方法总结
- 云pos系统的服务器性能,实施云POS系统的五大优势
- Anomalies,Factors,andMultiFactorModels
- c语言试题库之单选题
- Android资源管理中的SharedLibrary和Dynamic Reference-------之AssetManager的处理（四）
- 微信小程序之videoshow-fullscreen-btn失效问题
- Win10官网原版安装
- Unity中的网络编程
- goto的理解与使用
- Java并发问题--乐观锁与悲观锁以及乐观锁的一种实现方式-CAS
- 安装插件解决eclipse没有JS代码提示的问题
- 法国DREAM方案SAM5504B/SAM5704B音源芯片