NLP之TEA:基于python编程(jieba库)实现中文文本情感分析(得到的是情感评分)之全部代码
NLP之TEA:基于python编程(jieba库)实现中文文本情感分析(得到的是情感评分)之全部代码
目录
全部代码
相关文章
NLP之TEA:基于python编程(jieba库)实现中文文本情感分析(得到的是情感评分)
NLP之TEA:基于python编程(jieba库)实现中文文本情感分析(得到的是情感评分)之全部代码
全部代码
# coding:utf-8
import jieba
import numpy as np#打开词典文件,返回列表
def open_dict(Dict = 'hahah', path=r'data/Textming'):path = path + '%s.txt' % Dictdictionary = open(path, 'r', encoding='utf-8')dict = []for word in dictionary:word = word.strip('\n')dict.append(word)return dictdef judgeodd(num):if (num % 2) == 0:return 'even'else:return 'odd'#注意,这里你要修改path路径。
deny_word = open_dict(Dict = '否定词', path= r'F:/File_Python/Resources/data/Textming/')
posdict = open_dict(Dict = 'positive', path= r'F:/File_Python/Resources/data/Textming/')
negdict = open_dict(Dict = 'negative', path= r'F:/File_Python/Resources/data/Textming/')degree_word = open_dict(Dict = '程度级别词语', path= r'F:/File_Python/Resources/data/Textming/')
mostdict = degree_word[degree_word.index('extreme')+1 : degree_word.index('very')]#权重4,即在情感词前乘以4
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0.5def sentiment_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 #积极词反转后的分值poscount3 = 0 #积极词的最后分值(包括叹号的分值)negcount = 0negcount2 = 0negcount3 = 0for word in segtmp: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 in mostdict:poscount *= 4.0elif w in verydict:poscount *= 3.0elif w in moredict:poscount *= 2.0elif w in ishdict:poscount *= 0.5elif w in deny_word:c += 1if judgeodd(c) == 'odd': # 扫描情感词前的否定词数poscount *= -1.0poscount2 += poscountposcount = 0poscount3 = poscount + poscount2 + poscount3poscount2 = 0else:poscount3 = poscount + poscount2 + poscount3poscount = 0a = i + 1 # 情感词的位置变化elif word in negdict: # 消极情感的分析,与上面一致negcount += 1d = 0for w in segtmp[a:i]:if w in mostdict:negcount *= 4.0elif w in verydict:negcount *= 3.0elif w in moredict:negcount *= 2.0elif w in ishdict:negcount *= 0.5elif w in degree_word:d += 1if judgeodd(d) == 'odd':negcount *= -1.0negcount2 += negcountnegcount = 0negcount3 = negcount + negcount2 + negcount3negcount2 = 0else:negcount3 = negcount + negcount2 + negcount3negcount = 0a = i + 1elif 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 or negdict:poscount3 += 2negcount3 += 2breaki += 1 # 扫描词位置前移# 以下是防止出现负数的情况pos_count = 0neg_count = 0if poscount3 < 0 and negcount3 > 0:neg_count += negcount3 - poscount3pos_count = 0elif negcount3 < 0 and poscount3 > 0:pos_count = poscount3 - negcount3neg_count = 0elif poscount3 < 0 and negcount3 < 0:neg_count = -poscount3pos_count = -negcount3else:pos_count = poscount3neg_count = negcount3count1.append([pos_count, neg_count])count2.append(count1)count1 = []return count2def sentiment_score(senti_score_list):score = []for review in senti_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('%.1f'%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]) #积极、消极情感值总和(最重要),积极、消极情感均值,积极、消极情感方差。return scoredef EmotionByScore(data):result_list=sentiment_score(sentiment_score_list(data))return result_list[0][0],result_list[0][1]def JudgingEmotionByScore(Pos, Neg):if Pos > Neg:str='1'elif Pos < Neg:str='-1'elif Pos == Neg:str='0'return strdata1= '今天上海的天气真好!我的心情非常高兴!如果去旅游的话我会非常兴奋!和你一起去旅游我会更加幸福!'
data2= '救命,你是个坏人,救命,你不要碰我,救命,你个大坏蛋!'
data3= '美国华裔科学家,祖籍江苏扬州市高邮县,生于上海,斯坦福大学物理系,电子工程系和应用物理系终身教授!'print(sentiment_score(sentiment_score_list(data1)))
print(sentiment_score(sentiment_score_list(data2)))
print(sentiment_score(sentiment_score_list(data3)))a,b=EmotionByScore(data1)emotion=JudgingEmotionByScore(a,b)
print(emotion)
NLP之TEA:基于python编程(jieba库)实现中文文本情感分析(得到的是情感评分)之全部代码相关推荐
- NLP之TEA:基于python编程(jieba库)实现中文文本情感分析(得到的是情感评分)
NLP之TEA:基于python编程(jieba库)实现中文文本情感分析(得到的是情感评分) 目录 输出结果 设计思路 相关资料 1.关于代码 2.关于数据集 关于留言 1.留言内容的注意事项 2.如 ...
- NLP之情感分析:基于python编程(jieba库)实现中文文本情感分析(得到的是情感评分)之全部代码
NLP之情感分析:基于python编程(jieba库)实现中文文本情感分析(得到的是情感评分)之全部代码 目录 全部代码 相关文章 NLP之情感分析:基于python编程(jieba库)实现中文文本情 ...
- 基于python中jieba包的中文分词中详细使用
基于python中jieba包的中文分词中详细使用(一) 01.前言 之前的文章中也是用过一些jieba分词但是基本上都是处于皮毛,现在就现有的python环境中对其官方文档做一些自己的理解以及具体的 ...
- 基于python中jieba包的中文分词中详细使用(一)
文章目录 基于python中jieba包的中文分词中详细使用(一) 01.前言 02.jieba的介绍 02.1 What 02.2特点 02.3安装与使用 02.4涉及到的算法 03.主要功能 03 ...
- 基于python中jieba包的中文分词中详细使用(二)
文章目录 基于python中jieba包的中文分词中详细使用(二) 01.前言 02.关键词提取 02.01基于TF-IDF算法的关键词提取 02.02词性标注 02.03并行分词 02.04Toke ...
- python的jieba库第一次中文分词记录
python的jieba库第一次中文分词记录 记录一下最基本的jieba分词程序 1.通过cut import jiebaseg = jieba.cut("这是一段中文字符", c ...
- NLP:基于nltk和jieba库对文本实现提取文本摘要(两种方法实现:top_n_summary和mean_scored_summary)
NLP:基于nltk和jieba库对文本实现提取文本摘要(两种方法实现:top_n_summary和mean_scored_summary) 目录 输出结果 设计思路 核心代码 输出结果 1.测试文本 ...
- 树莓派python开发教程_树莓派教程(基于python编程)--入门篇
原标题:树莓派教程(基于python编程)--入门篇 一:格式化SD卡 SD卡插入读卡器连接电脑,使用SDFormatter对SD卡进行格式化 (重装烧录也要进行着SD卡格式化操作) 二:下载官方镜像 ...
- 树莓派教程(基于python编程)--初级篇
一.远程连接和远程桌面设置: 终端下执行命令: ifconfig,查看树莓派的IP 终端下执行命令:sudo apt-get install xrdp ,安装远程桌面支持. 在windows电脑上点开 ...
最新文章
- NC:南农团队解码并重构微生物群体感应系统
- 2018 OO第一次总结(作业1-3)
- IDEA Maven 项目默认编译项目为JDK 1.5
- assign和always组合逻辑块,孰优孰劣?
- python教程是用什么博客写的-用Python和Pygame写游戏-从入门到精通(目录)
- 了解Scaffold Generator (转载)
- mysql 5.5主从同步_MySQL5.5+配置主从同步并结合ThinkPHP5设置分布式数据库
- BBIAF的完整形式是什么?
- 如何使用Node.js和CloudFormation在AWS Lambda中构建和部署GraphQL服务器
- java猜数字代码,我写的猜数字游戏的java代码!
- (学习进度表)【第八周】
- 逻辑漏洞-支付风险-大疆某处支付逻辑漏洞可1元买无人机
- GBDT 和 AdaBoost
- atitit 数据库mysq启动不起来解决方案.docx
- torch运行错误libcudnn Unsupported HDF5 version: 1.10.2错误
- 网络视频传输的服务质量(QoS)
- 转换到coff期间_Visual Studio转换到coff期间失败该怎么解决?
- iOS 适配iPhone XR/XS/XS MAX
- 单栏插入脚注删除数字编号及黑色线条(Word 2010)
- 开维控制精灵 Ctrl js 快手小游戏 - 自动消砖块
热门文章
- 如何解决HBase海量数据高效入仓的问题?
- 【AWK用法】https://www.cnblogs.com/lizhouwei/p/10029505.html
- 2010年公务员(想考公务员的同学注意了,一定要看哦,很棒的)不断更新编辑中...
- SC-LEGO-LOAM 扩展以及深度解析
- 1行Python代码去除图片水印,网友:一干二净
- HOUDINI L-SYSTEM
- 1508-张晨曦总结《2016年-11月-27日》【连续37天总结】
- 一个不错的java自学网
- 大数据算法可能塑造更恶劣的互联网世界
- 11.03 P73 模拟+堆+贪心