数学建模学习笔记（十）语言情感计算（ TextBlob与SnowNLP)

自然语言处理的情感分析比较复杂，这里有两个好用的python库，针对英文的TextBlob和仿照其针对中文的SnowNLP

TextBlob的使用：

from textblob import TextBlob
source = open("review3.txt","r",encoding='utf-8')
line = source.readlines()
for i in line:
    blob = TextBlob(i)
    first = blob.sentiment.polarity
    print(first)

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
 

其中polarity为情感评分值，范围为[-1,1]，大于0为积极情绪，小于0为消极情绪
sentiment中除了polarity，还有一个subject的主观性系数

SnowNLP的使用：
先来看单句话如何使用：

from snownlp import SnowNLP
text='very good! amazing!'
s = SnowNLP(text)
print(s.sentiments)

  

 

  
1
  
2
  
3
  
4
 

导入文件使用并画图：

import  numpy as np
from snownlp import SnowNLP
import matplotlib.pyplot as plt
f=open('./Data/mumachengshi.csv', 'r', encoding='utf-8')
list=f.readlines()
sentimentslist=[]
f.close()
for i in list:
    s=SnowNLP(i)
    print(s.sentiments)
    sentimentslist.append(s.sentiments)
plt.hist(sentimentslist,bins=np.arange(0,1,0.01),facecolor='b')
plt.xlabel('情绪指数')
plt.ylabel('分词数量')
plt.title('情感分析图')
plt.rcParams['font.sans-serif']=['SimHei'] #显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
plt.show()


from snownlp import SnowNLP
#获取情感分数
source = open("review1.txt","r",encoding='utf-8')
line = source.readlines()
sentimentslist = []
for i in line:
    s = SnowNLP(i)
    print(s.sentiments)
    sentimentslist.append(s.sentiments)
results = []
i = 0
while i<len(sentimentslist):
    results.append(sentimentslist[i]-0.5)
    i = i + 1

#可视化画图
import matplotlib.pyplot as plt
import numpy as np
plt.plot(np.arange(0, 47, 1), results, 'k-')
plt.xlabel('分词数量')
plt.ylabel('情绪指数')
plt.title('情感分析图')
plt.show()

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
  
26
  
27
  
28
  
29
  
30
  
31
  
32
  
33
  
34
  
35
  
36
  
37
  
38
  
39
  
40
  
41
  
42
  
43
 

其中SnowNLP的返回情感评分为[0,1]，略有不同

两者实质是根据字典法进行情感评测，在两个库中有内置字典，TextBlob为纯英文，SnowNLP为纯中文，如果混用，效果很糟

文章来源: zstar.blog.csdn.net，作者：zstar-_，版权归原作者所有，如需转载，请联系作者。

原文链接：zstar.blog.csdn.net/article/details/113134428