本篇是NLP论文 系列的最后一篇，主要介绍如何计算情感分析结果，并将其融入到XX评价体系和物流关键词词库，之前我已经写了两篇关于情感分析的文章，分别是 SnowNLP 和 Cemotion 技术，最终我才用了 jiagu 来写我的论文，因为 jiagu准确率还行，并且写这个技术的毕竟少。
目录
[1 基于 Jiagu 的情感分析](#1 基于 Jiagu 的情感分析)
[1.1 Jiagu 介绍](#1.1 Jiagu 介绍)
[1.2 情感分析计算](#1.2 情感分析计算)
[① 语料](#① 语料)
[② Jiagu 计算](#② Jiagu 计算)
[③ xx 关键词匹配](#③ xx 关键词匹配)
[2 XX评价体系结合情感分析](#2 XX评价体系结合情感分析)
代码地址： nlp_yinyu
1 基于 Jiagu 的情感分析
Jiagu 和 SnowNLP + Cemotion 类似，均是情感分析技术之一，另外两种技术文章也在该专栏下，采用哪种看大家如何选择，本文主要介绍如何将情感分析技术融入到论文中。
1.1 Jiagu 介绍
Jiagu情感分析是一种中文自然语言处理工具，用于识别和分析文本中的情感倾向，它可以根据文本的内容和语义，判断文本中的情感是积极的、消极的还是中性的。
它使用机器学习算法和自然语言处理技术来处理文本，并通过训练模型来识别情感。该工具可以应用于各种文本数据，如社交媒体评论、新闻文章、产品评论等。
Jiagu情感分析具有以下特点：高准确性、快速处理和多种应用场景。
1.2 情感分析计算
① 语料
语料依然是以之前爬取的京东网站上的 5000 条评论数据，可在文章顶部的代码仓库中下载！
② Jiagu 计算
主要分为以下三步：
- 引入语料 excel 数据
- 计算每条评论的情感值
- 生成【Jiagu情感分析原始结果_京东.xlsx】文件
代码如下：
python
import pandas as pd
import jiagu
from base_handle import BaseHandle # 引入工具类
baseHandle = BaseHandle() # 实例化
def jiagu_cal(url):
'''计算每条评论的情感值'''
df = pd.read_excel(url, sheet_name='Sheet1')
# print(df)
# 定义函数，批量处理所有的评论信息
def get_sentiment_cn(text):
return jiagu.sentiment(text)[1] # jiagu的后边带positive或negative
# 根据df里的"comments"列，将读取文本后的情感分析结果添加到新的一列，命名为"sentiment"
df["sentiment"] = df['评论'].apply(get_sentiment_cn)
# print(df)
# 储存为表格。
df.to_excel('Jiagu情感分析原始结果_京东.xlsx')
if __name__ == "__main__":
jiagu_cal(baseHandle.get_file_abspath('语料库_京东_5000条评论.xlsx'))最终输出【Jiagu情感分析原始结果_京东.xlsx】文件如下：
每条评论都给安排了一个情感值~
③ xx 关键词匹配
以物流关键词词库为例，将每个关键词的情感值计算出来，本文的计算逻辑：统计该关键词在多少条评论中存在，若存在，则这些评论的情感值加和。
步骤如下：
- 读取物流关键词词库
- 统计每个关键词的情感值大小
- 生成【jiagu情感分析匹配结果_京东.xlsx】文件
python
import pandas as pd
import jiagu
from base_handle import BaseHandle # 引入工具类
baseHandle = BaseHandle() # 实例化
def match_words_jiagu():
'''匹配关键词和情感分析结果'''
words = baseHandle.logistics_list
items = []
for word in words:
row = handle_senti_result(word, "评论", "情感值")
row.insert(0, word)
items.append(row)
dt = pd.DataFrame(items, columns=['关键词', '评论数量', '好评率', '情感值方差', '情感均值', '情感中值'])
dt.to_excel("jiagu情感分析匹配结果_京东.xlsx")
def handle_senti_result(word, col1, col2):
'''子方法---统计每个关键词的情感值大小'''
df = pd.read_excel('Jiagu情感分析原始结果_京东.xlsx', sheet_name='Sheet1')
b1 = []
b2 = []
for i in range(len(df)):
comment = df.loc[i, col1]
if word in comment: # 判断关键词是否存在于某个字符串(str)中
a1 = df.loc[i, col1]
a2 = df.loc[i, col2]
if not a1 in b1: # col1:评论,col2:情感值,去掉重复的评论,也可不去掉
b1.append(a1)
b2.append(a2)
else:
continue
else:
continue
f1 = pd.DataFrame(columns=['评论', '情感值'])
f1['评论'] = b1
f1['情感值'] = b2
# print('分值之和：',f1['情感值'].sum())
seti = f1['情感值']
# 一些列数据
row = [seti.count(), f1[seti >= 0.6]['情感值'].count() / seti.count(),
seti.var(), seti.mean(), seti.median()]
return row
if __name__ == "__main__":
match_words_jiagu()最终输出【jiagu情感分析匹配结果_京东.xlsx】文件如下：
如图，得到了每个关键词的情感分析详细数据，那么就可以拿这些数据来做些其他事情了~
2 XX评价体系结合情感分析
以物流评价体系为例，结合 TF-IDF 和 Jiagu情感分析结果（本文只采用了它的情感均值）
如图：
这是一个比较粗略的统计结果，可以展示各维度他的重要程度以及情感值（或者说评分大小），不要忘了语料来自于网上在线评论。
以上还可以做更多研究，希望给大家提供帮助。因为毕业论文用到了这些技术，所以想着总结一下，最近终于有空把它更完了，纪念一下学生时代~