基于Python的商品评论文本情感分析通常涉及以下几个步骤：

数据收集：首先，你需要收集商品评论数据。这些数据可以从网站、API或其他数据源获取。例如，你可以使用`requests`和`BeautifulSoup`库从网站抓取评论数据。
数据预处理：在分析评论文本之前，需要对其进行预处理。预处理包括去除停用词、标点符号、数字和特殊字符，以及将文本转换为小写。你可以使用`nltk`库进行这些操作。
文本分词：将评论文本分解为单词或短语，以便进行进一步分析。`nltk`库提供了分词功能。
情感分析模型：选择合适的情感分析模型。有多种方法可以实现情感分析，包括基于词典的方法、机器学习方法和深度学习方法。以下是一些常用的库和方法：

基于词典的方法：可以使用`VADER`库，它是一个专门针对社交媒体文本的情感分析工具。
机器学习方法：可以使用`scikit-learn`库中的分类器，如朴素贝叶斯、支持向量机等。首先需要将文本转换为数值特征，可以使用`CountVectorizer`或`TfidfVectorizer`。
深度学习方法：可以使用预训练的深度学习模型，如`BERT`、`LSTM`等。可以使用`transformers`库来实现这些模型。

以下是一个简单的基于Python的情感分析示例：

```python

import nltk

from nltk.sentiment import SentimentIntensityAnalyzer

import matplotlib.pyplot as plt

假设我们有一个评论列表

reviews = [

"这个产品非常好，我非常喜欢！",

"这是我见过的最糟糕的产品。",

"产品一般，没什么特别的。"

]

初始化VADER情感分析器

sia = SentimentIntensityAnalyzer()

for review in reviews:

print(review)

sentiment = sia.polarity_scores(review)

print(sentiment)

print()

overall_sentiment = sum(sentiment['compound'] for sentiment in [sia.polarity_scores(review) for review in reviews]) / len(reviews)

print("Overall sentiment:", overall_sentiment)

labels = ["Positive", "Neutral", "Negative"]

sentiment_counts = [sum([x > 0 for x in [sia.polarity_scores(review)['compound'] for review in reviews]]),

sum([x == 0 for x in [sia.polarity_scores(review)['compound'] for review in reviews]]),

sum([x < 0 for x in [sia.polarity_scores(review)['compound'] for review in reviews]])]

plt.pie(sentiment_counts, labels=labels, autopct='%1.1f%%')

plt.title("Sentiment Analysis of Reviews")

plt.show()

```

这个示例使用了`VADER`库进行情感分析，并计算了整体情感倾向。然后，使用`matplotlib`库将结果可视化为饼图。根据实际情况，你可以选择其他库和方法进行情感分析。