点击上方“Python爬虫与数据挖掘”，进行关注

回复“书籍”即可获赠Python从入门到进阶共10本电子书

今

日

鸡

汤

宣室求贤访逐臣，贾生才调更无伦。

大家好，我是志斌~

上一篇文章基于Scrapy框架的微博评论爬虫实战，志斌给大家介绍了，如何用Scrapy框架，爬取微博评论的内容，接下来就要对爬取下来的评论文本进行情感分析。

在评论文本情感分析之前，我们需要将语句通过分词使其成为词语，然后优化分词结果，去掉无关的词语和字符。，以提高文本情感分析的准确度。

01

分词

对中文句子按照其语义进行切割的这类操作，被称为“分词”。目前的分词技术有两种，一种是从统计学的角度进行分词，另一种是从词库的角度基于TF-IDF算法，来对语句进行分词。

Python中的Jieba库就是利用词库来对语句进行自动分词的，所以志斌就给大家介绍一下如何用Jieba库来实现文本分割。

 分词原理

Jieba库在安装时，会附带一个词库，这个词库中包含了日常汉语的词语和词性。在分词时，Jieba库会先基于词库对文本进行匹配，生成文本中的汉字最有可能形成的词。

然后将这些词组成一个DAG，用动态规划算法来查找最大的概率路径，尽可能不将一个词拆成单独的汉字。

最后，再从词库中找出基于词频的最大切分组合，把这些组合在文本中找出来，进而形成一个一个的词语。

同时Jieba库还使用了HMM模型，用以提高分词的准确率，该模型可以对词库中没有的词进行分词。

 分词方法

Jieba库里有一个cut函数，它为我们提供了自动分词功能，代码如下：

我们发现，上面的分词结果中，有大量的标点符号，和一些与情感表达无关的词语，为了避免无关词语对情感分析的影响和加快计算词语的情感速度，我们就需要对分词的结果进行优化。

02

优化分词

我们主要从以下两个方面来对分词结果进行优化：1.移除标点符号和换行符；2.删除与情感表达无关的词。

接下来，我将给大家介绍两种方法来实现对分词进行优化。

 使用停用词集

停用词设置是分词中常用的一种手段，可以提高分割的准确度，同时减少硬件成本、时间成本。网上有许多的停用词集，我们可以挑一个进行下载。在文末，志斌会放自己使用的停用词集链接。代码如下：

我们发现标点符号和与情感表达无关的词都被过滤掉了。

根据词性提取关键词

大家知道，每个词语都是有着自己的词性，我们可以通过Jieba库提取出来每个词的词性，然后进行筛选，保留你需要的词语，代码如下：

给大家分享一个汉语词性表（部分），有更多了解兴趣的读者可以上网搜一下看看。

我们上面是只保留了形容词，如果大家想保留更多词性的词语，就在save列表中进行添加即可。

03

结果展示

分词结果优化过之后，我们就得到了自己想要的结果。接下来就是对这些词来进行词频展示和情感分析了。

 高频词语展示

由柱状图可知，“头发”占据词频最高，有231条，其次是词语“考研”和“图书馆”，两个词语分别有74条和58条。

所以我们这条微博的主要关键词是“头发”、“考研”和“图书馆”。

 情感分析

在之前跟大家介绍过两种文本情感分析方法，有兴趣的读者可以看看这篇文章推荐一个强大的自然语言处理库—snownlp。

在本文，我使用的是Snownlp库来对文本进行情感分析。

从图中，我们可以看到，大家的评论积极态度的有32%，中等态度的占60%，消极态度只占8%，看来大家的心态还是很平和的。

04

总结

1. 本文详细介绍了如何使用Jieba库对文本进行分词，并使用Snownlp库配合对分词结果进行语义情感分析。

2. 通过对用户评论的分析，我们可以知道用户的喜好程度，从而有策略的改进。

3. 本文仅供学习参考，不做它用。

小伙伴们，快快用实践一下吧！如果在学习过程中，有遇到任何问题，欢迎加我好友，我拉你进Python学习交流群共同探讨学习。

------------------- End -------------------

往期精彩文章推荐：

• 手把手教你用漫游者工具导出你在C站发布的文章并生成.md文件

• Py自动化办公—Word文档替换、Excel表格读取、Pdf文件生成和Email自动邮件发送实战案例

• 手把手教你用Python脚本调用 DeepL API Pro 进电子书的行进行中英文自动翻译

• 手把手教你用Python批量创建1-12月份的sheet表，每个表的第一行都有固定3个列标题：A，B，C
  

欢迎大家点赞，留言，转发，转载，感谢大家的相伴与支持

想加入Python学习群请在后台回复【入群】

万水千山总是情，点个【在看】行不行