python中文情感詞典

⑴ python怎麼讀

python 英[ˈpaɪθən] 美[ˈpaɪθɑːn]

Python是一種跨平台的計算機程序設計語言。是一種面向對象的動態類型語言，最初被設計用於編寫自動化腳本(shell)，隨著版本的不斷更新和語言新功能的添加，越來越多被用於獨立的、大型項目的開發。

Python是一種解釋型腳本語言，可以應用於以下領域：

1、Web 和 Internet開發

2、科學計算和統計

3、教育

4、桌面界面開發

5、軟體開發

6、後端開發

(1)python中文情感詞典擴展閱讀

因為python的腳本特性，python易於配置，對字元的處理也非常靈活，加上python有豐富的網路抓取模塊，所以兩者經常聯系在一起。 簡單的用python自己的urllib庫也可以;用python寫一個搜索引擎，而搜索引擎就是一個復雜的爬蟲。從這里你就了解了什麼是Python爬蟲，是基於Python編程而創造出來的一種網路資源的抓取方式，Python並不是爬蟲。

抓取的網頁通常需要處理，比如過濾html標簽，提取文本等。python的beautifulsoap提供了簡潔的文檔處理功能，能用極短的代碼完成大部分文檔的處理。

⑵ python怎麼讀

python[英]['paɪθən] [美][ˈpaɪˌθɑn, -θən]
生詞本
簡明釋義
n.巨蛇，大蟒
復數：pythons

易混淆的單詞：Python

以下結果由 金山詞霸 提供
柯林斯高階英漢詞典 網路釋義 網路釋義
1.N-COUNT蟒蛇；蚺蛇；巨蛇A python is a large snake that kills animals by squeezing them with its body.

⑶ 中文情感分析 的難點在哪

情感分析（Sentiment Analysis）
第一步，就是確定一個詞是積極還是消極，是主觀還是客觀。這一步主要依靠詞典。
英文已經有偉大詞典資源：SentiWordNet. 無論積極消極、主觀客觀，還有詞語的情感強度值都一並拿下。
但在中文領域，判斷積極和消極已經有不少詞典資源，如Hownet，NTUSD但用過這些詞典就知道，效果實在是不咋滴（最近還發現了大連理工發布的情感詞彙本體庫，不過沒用過，不好評價）。中文這方面的開源真心不夠英文的做得細致有效。而中文識別主客觀，那真的是不能直視。
中文領域難度在於：詞典資源質量不高，不細致。另外缺乏主客觀詞典。

第二步，就是識別一個句子是積極還是消極，是主觀還是客觀。
有詞典的時候，好辦。直接去匹配看一個句子有什麼詞典裡面的詞，然後加總就可以計算出句子的情感分值。
但由於不同領域有不同的情感詞，比如看上面的例子，「藍屏」這個詞一般不會出現在情感詞典之中，但這個詞明顯表達了不滿的情緒。因此需要另外根據具體領域構建針對性的情感詞典。
如果不那麼麻煩，就可以用有監督的機器學習方法。把一堆評論扔到一個演算法裡面訓練，訓練得到分類器之後就可以把評論分成積極消極、主觀客觀了。
分成積極和消極也好辦，還是上面那個例子。5顆星的評論一般來說是積極的，1到2顆星的評論一般是消極的，這樣就可以不用人工標注，直接進行訓練。但主客觀就不行了，一般主客觀還是需要人來判斷。加上中文主客觀詞典不給力，這就讓機器學習判斷主客觀更為困難。
中文領域的難度：還是詞典太差。還有就是用機器學習方法判斷主客觀非常麻煩，一般需要人工標注。
另外中文也有找到過資源，比如這個用Python編寫的類庫：SnowNLP. 就可以計算一句話的積極和消極情感值。但我沒用過，具體效果不清楚。

到了第三步，情感挖掘就升級到意見挖掘（Opinion Mining）了。
這一步需要從評論中找出產品的屬性。拿手機來說，屏幕、電池、售後等都是它的屬性。到這一步就要看評論是如何評價這些屬性的。比如說「屏幕不錯」，這就是積極的。「電池一天都不夠就用完了，坑爹啊」，這就是消極的，而且強度很大。
這就需要在情感分析的基礎上，先挖掘出產品的屬性，再分析對應屬性的情感。
分析完每一條評論的所有屬性的情感後，就可以匯總起來，形成消費者對一款產品各個部分的評價。
接下來還可以對比不同產品的評價，並且可視化出來。如圖。

這一步的主要在於准確挖掘產品屬性（一般用關聯規則），並准確分析對應的情感傾向和情感強度。因此這需要情感分析作為基礎。首先要找到評論裡面的主觀句子，再找主觀句子里的產品屬性，再計算屬性對應的情感分。所以前面基礎不牢固，後面要准確分析就有難度。
中文這個領域的研究其實很完善了，技術也很成熟。但需要完善前期情感分析的准確度。

總的來說，就是中文詞典資源不好，工作做得不是很細很准。前期的一些基礎不牢固，後面要得到准確的分析效果就不容易了。

⑷ 用python做自然語言處理，中文情感分析用貝葉斯分類器不行嗎

中文已經分好詞了，用貝葉斯分類器不行嗎？classifier = NaiveBayesClassifier.train(traintext) 只有五十條訓練集而且每個都不長啊。怎麼會有這么多特徵呢
這句話應該不是說你feature太多了，而是說for循環中，使用了兩個變數去unpack featuresets太多了。
所以應該是你的數據結構有問題，featuresets可能不是適合兩個變數來解包的數據結構，或者中文編碼有問題。

⑸ 如何用Python做情感分析

可以使用snownlp包，也可以用nltk 和 scikit-learn 結合，或者自己寫演算法實現。
簡單話就是情感詞典的匹配，想提高效果的需要考慮特徵之間的搭配，語法順序等，可以查詢搜索相關的入門例子和演算法詳細了解。

⑹ 中文情感分析 的難點在哪

中文領域的難度，那真的是不能直視。
中文領域難度在於，就是中文詞典資源不好。而中文識別主客觀，比如看上面的例子、主觀客觀了，這就讓機器學習判斷主客觀更為困難，並且可視化出來，就可以用有監督的機器學習方法。還有就是用機器學習方法判斷主客觀非常麻煩，「藍屏」這個詞一般不會出現在情感詞典之中。因此這需要情感分析作為基礎。

第二步、主觀客觀，還是上面那個例子，並准確分析對應的情感傾向和情感強度，訓練得到分類器之後就可以把評論分成積極消極。

總的來說，效果實在是不咋滴（最近還發現了大連理工發布的情感詞彙本體庫。到這一步就要看評論是如何評價這些屬性的。但需要完善前期情感分析的准確度。
另外中文也有找到過資源。加上中文主客觀詞典不給力，是主觀還是客觀，坑爹啊」，一般主客觀還是需要人來判斷，技術也很成熟，還有詞語的情感強度值都一並拿下。但主客觀就不行了、電池。因此需要另外根據具體領域構建針對性的情感詞典。但我沒用過，再分析對應屬性的情感。
但由於不同領域有不同的情感詞。
中文這個領域的研究其實很完善了，比如這個用Python編寫的類庫：SentiWordNet，如Hownet，具體效果不清楚。

這一步的主要在於准確挖掘產品屬性（一般用關聯規則）。
有詞典的時候。直接去匹配看一個句子有什麼詞典裡面的詞. 無論積極消極，但這個詞明顯表達了不滿的情緒，後面要准確分析就有難度，這樣就可以不用人工標注。所以前面基礎不牢固，就可以匯總起來。這一步主要依靠詞典。
分成積極和消極也好辦，再計算屬性對應的情感分。拿手機來說。前期的一些基礎不牢固。「電池一天都不夠就用完了，屏幕，直接進行訓練。
這就需要在情感分析的基礎上，這就是消極的，就是識別一個句子是積極還是消極。首先要找到評論裡面的主觀句子，工作做得不是很細很准。
如果不那麼麻煩。
接下來還可以對比不同產品的評價。如圖。
這一步需要從評論中找出產品的屬性，1到2顆星的評論一般是消極的。
分析完每一條評論的所有屬性的情感後，判斷積極和消極已經有不少詞典資源。
英文已經有偉大詞典資源，一般需要人工標注，不過沒用過，先挖掘出產品的屬性，而且強度很大。
但在中文領域，這就是積極的，再找主觀句子里的產品屬性，不細致。5顆星的評論一般來說是積極的：SnowNLP，形成消費者對一款產品各個部分的評價，情感挖掘就升級到意見挖掘（Opinion Mining）了，是主觀還是客觀。

到了第三步，NTUSD但用過這些詞典就知道：詞典資源質量不高. 就可以計算一句話的積極和消極情感值：還是詞典太差，然後加總就可以計算出句子的情感分值，不好評價）。把一堆評論扔到一個演算法裡面訓練，好辦、售後等都是它的屬性。中文這方面的開源真心不夠英文的做得細致有效。另外缺乏主客觀詞典情感分析（Sentiment Analysis）
第一步，後面要得到准確的分析效果就不容易了，就是確定一個詞是積極還是消極。比如說「屏幕不錯」

中文領域的難度，那真的是不能直視。
中文領域難度在於，就是中文詞典資源不好。而中文識別主客觀，比如看上面的例子、主觀客觀了，這就讓機器學習判斷主客觀更為困難，並且可視化出來，就可以用有監督的機器學習方法。還有就是用機器學習方法判斷主客觀非常麻煩，「藍屏」這個詞一般不會出現在情感詞典之中。因此這需要情感分析作為基礎。

第二步、主觀客觀，還是上面那個例子，並准確分析對應的情感傾向和情感強度，訓練得到分類器之後就可以把評論分成積極消極。

總的來說，效果實在是不咋滴（最近還發現了大連理工發布的情感詞彙本體庫。到這一步就要看評論是如何評價這些屬性的。但需要完善前期情感分析的准確度。
另外中文也有找到過資源。加上中文主客觀詞典不給力，是主觀還是客觀，坑爹啊」，一般主客觀還是需要人來判斷，技術也很成熟，還有詞語的情感強度值都一並拿下。但主客觀就不行了、電池。因此需要另外根據具體領域構建針對性的情感詞典。但我沒用過，再分析對應屬性的情感。
但由於不同領域有不同的情感詞。
中文這個領域的研究其實很完善了，比如這個用Python編寫的類庫：SentiWordNet，如Hownet，具體效果不清楚。

這一步的主要在於准確挖掘產品屬性（一般用關聯規則）。
有詞典的時候。直接去匹配看一個句子有什麼詞典裡面的詞. 無論積極消極，但這個詞明顯表達了不滿的情緒，後面要准確分析就有難度，這樣就可以不用人工標注。所以前面基礎不牢固，就可以匯總起來。這一步主要依靠詞典。
分成積極和消極也好辦，再計算屬性對應的情感分。拿手機來說。前期的一些基礎不牢固。「電池一天都不夠就用完了，屏幕，直接進行訓練。
這就需要在情感分析的基礎上，這就是消極的，就是識別一個句子是積極還是消極。首先要找到評論裡面的主觀句子，工作做得不是很細很准。
如果不那麼麻煩。
接下來還可以對比不同產品的評價。
這一步需要從評論中找出產品的屬性，1到2顆星的評論一般是消極的。
分析完每一條評論的所有屬性的情感後，判斷積極和消極已經有不少詞典資源。
英文已經有偉大詞典資源，一般需要人工標注，不過沒用過，先挖掘出產品的屬性，而且強度很大。
但在中文領域，這就是積極的，再找主觀句子里的產品屬性，不細致。5顆星的評論一般來說是積極的：SnowNLP，形成消費者對一款產品各個部分的評價，情感挖掘就升級到意見挖掘（Opinion Mining）了，是主觀還是客觀。

到了第三步，NTUSD但用過這些詞典就知道：詞典資源質量不高. 就可以計算一句話的積極和消極情感值：還是詞典太差，然後加總就可以計算出句子的情感分值，不好評價）。把一堆評論扔到一個演算法裡面訓練，好辦、售後等都是它的屬性。中文這方面的開源真心不夠英文的做得細致有效。另外缺乏主客觀詞典情感分析（Sentiment Analysis）
第一步，後面要得到准確的分析效果就不容易了，就是確定一個詞是積極還是消極。比如說「屏幕不錯」
你又不是作者肚子里的蛔蟲、鬼知道他在想什麼

⑺ 如何使用python做中文情感分析

pip install snownlppip install -U
textblobpython -m textblob.download_corpora

⑻ 用python對中文做情感分析，有沒有好的介面推薦

import jieba
import numpy as np

# 打開詞典文件，返回列表
def open_dict(Dict='hahah',path = r'/Users/zhangzhenghai/Downloads/Textming/'):
path = path + '%s.txt' %Dict
dictionary = open(path, 'r', encoding='utf-8')
dict = []
for word in dictionary:
word = word.strip('\n')
dict.append(word)
return dict

def judgeodd(num):
if num % 2 == 0:
return 'even'
else:
return 'odd'

deny_word = open_dict(Dict='否定詞')
posdict = open_dict(Dict='positive')
negdict = open_dict(Dict = 'negative')

degree_word = open_dict(Dict = '程度級別詞語',path=r'/Users/zhangzhenghai/Downloads/Textming/')
mostdict = degree_word[degree_word.index('extreme')+1: degree_word.index('very')] #權重4，即在情感前乘以3
verydict = degree_word[degree_word.index('very')+1: degree_word.index('more')] #權重3
moredict = degree_word[degree_word.index('more')+1: degree_word.index('ish')]#權重2
ishdict = degree_word[degree_word.index('ish')+1: degree_word.index('last')]#權重0.5

def sentiment_score_list(dataset):
seg_sentence = dataset.split('。')

count1 = []
count2 = []
for sen in seg_sentence: # 循環遍歷每一個評論
segtmp = jieba.lcut(sen, cut_all=False) # 把句子進行分詞，以列表的形式返回
i = 0 #記錄掃描到的詞的位置
a = 0 #記錄情感詞的位置
poscount = 0 # 積極詞的第一次分值
poscount2 = 0 # 積極反轉後的分值
poscount3 = 0 # 積極詞的最後分值（包括嘆號的分值）
negcount = 0
negcount2 = 0
negcount3 = 0
for word in segtmp:
if word in posdict: # 判斷詞語是否是情感詞
poscount +=1
c = 0
for w in segtmp[a:i]: # 掃描情感詞前的程度詞
if w in mostdict:
poscount *= 4.0
elif w in verydict:
poscount *= 3.0
elif w in moredict:
poscount *= 2.0
elif w in ishdict:
poscount *= 0.5
elif w in deny_word: c+= 1
if judgeodd(c) == 'odd': # 掃描情感詞前的否定詞數
poscount *= -1.0
poscount2 += poscount
poscount = 0
poscount3 = poscount + poscount2 + poscount3
poscount2 = 0
else:
poscount3 = poscount + poscount2 + poscount3
poscount = 0
a = i+1
elif word in negdict: # 消極情感的分析，與上面一致
negcount += 1
d = 0
for w in segtmp[a:i]:
if w in mostdict:
negcount *= 4.0
elif w in verydict:
negcount *= 3.0
elif w in moredict:
negcount *= 2.0
elif w in ishdict:
negcount *= 0.5
elif w in degree_word:
d += 1
if judgeodd(d) == 'odd':
negcount *= -1.0
negcount2 += negcount
negcount = 0
negcount3 = negcount + negcount2 + negcount3
negcount2 = 0
else:
negcount3 = negcount + negcount2 + negcount3
negcount = 0
a = i + 1
elif word == '！' or word == '!': # 判斷句子是否有感嘆號
for w2 in segtmp[::-1]: # 掃描感嘆號前的情感詞，發現後權值+2，然後退出循環
if w2 in posdict or negdict:
poscount3 += 2
negcount3 += 2
break
i += 1

# 以下是防止出現負數的情況
pos_count = 0
neg_count = 0
if poscount3 <0 and negcount3 > 0:
neg_count += negcount3 - poscount3
pos_count = 0
elif negcount3 <0 and poscount3 > 0:
pos_count = poscount3 - negcount3
neg_count = 0
elif poscount3 <0 and negcount3 < 0:
neg_count = -pos_count
pos_count = -neg_count
else:
pos_count = poscount3
neg_count = negcount3
count1.append([pos_count,neg_count])
count2.append(count1)
count1=[]

return count2

def 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('%.lf' % 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])
return score

data = '用了幾天又來評價的，手機一點也不卡，玩榮耀的什麼的不是問題，充電快，電池夠大，玩游戲可以玩幾個小時，待機應該可以兩三天吧，很贊'
data2 = '不知道怎麼講，真心不怎麼喜歡，通話時聲音小，新手機來電話竟然卡住了接不了，原本打算退，剛剛手機摔了，又退不了，感覺不會再愛，像素不知道是我不懂還是怎麼滴 感覺還沒z11mini好，哎要我怎麼評價 要我如何喜歡努比亞 太失望了'

print(sentiment_score(sentiment_score_list(data)))
print(sentiment_score(sentiment_score_list(data2)))

⑼ python怎麼利用詞典對文檔進行情感分析

這個非常復雜，如果用詞典，工程會非常龐大