1. 如何用python做舆情时间序列可视化
如何批量处理评论信息情感分析，并且在时间轴上可视化呈现？舆情分析并不难，让我们用Python来实现它吧。
痛点
你是一家连锁火锅店的区域经理，很注重顾客对餐厅的评价。从前，你苦恼的是顾客不爱写评价。最近因为餐厅火了，分店越来越多，写评论的顾客也多了起来，于是你新的痛苦来了——评论太多了，读不过来。
从我这儿，你了解到了情感分析这个好用的自动化工具，一下子觉得见到了曙光。
你从某知名点评网站上，找到了自己一家分店的页面，让助手把上面的评论和发布时间数据弄下来。因为助手不会用爬虫，所以只能把评论从网页上一条条复制粘贴到Excel里。下班的时候，才弄下来27条。（注意这里我们使用的是真实评论数据。为了避免对被评论商家造成困扰，统一将该餐厅的名称替换为“A餐厅”。特此说明。）
好在你只是想做个试验而已，将就了吧。你用我之前介绍的中文信息情感分析工具，依次得出了每一条评论的情感数值。刚开始做出结果的时候，你很兴奋，觉得自己找到了舆情分析的终极利器。
可是美好的时光总是短暂的。很快你就发现，如果每一条评论都分别运行一次程序，用机器来做分析，还真是不如自己挨条去读省事儿。
怎么办呢？
序列
办法自然是有的。我们可以利用《贷还是不贷：如何用Python和机器学习帮你决策？》一文介绍过的数据框，一次性处理多个数据，提升效率。
但是这还不够，我们还可以把情感分析的结果在时间序列上可视化出来。这样你一眼就可以看见趋势——近一段时间里，大家是对餐厅究竟是更满意了，还是越来越不满意呢？
我们人类最擅长处理的，就是图像。因为漫长的进化史逼迫我们不断提升对图像快速准确的处理能力，否则就会被环境淘汰掉。因此才会有“一幅图胜过千言万语”的说法。
准备
首先，你需要安装Anaconda套装。详细的流程步骤请参考《 如何用Python做词云 》一文。
助手好不容易做好的Excel文件restaurant-comments.xlsx，请从这里下载。
用Excel打开，如果一切正常，请将该文件移动到咱们的工作目录demo下。
因为本例中我们需要对中文评论作分析，因此使用的软件包为SnowNLP。情感分析的基本应用方法，请参考《如何用Python做情感分析？》。
到你的系统“终端”(macOS, Linux)或者“命令提示符”(Windows)下，进入我们的工作目录demo，执行以下命令。
pip install snownlp
pip install ggplot
运行环境配置完毕。
在终端或者命令提示符下键入：
jupyter notebook
如果Jupyter Notebook正确运行，下面我们就可以开始编写代码了。
代码
我们在Jupyter Notebook中新建一个Python 2笔记本，起名为time-series。
首先我们引入数据框分析工具Pandas，简写成pd以方便调用。
import pandas as pd
接着，读入Excel数据文件：
df = pd.read_excel("restaurant-comments.xlsx")
我们看看读入内容是否完整：
df.head()
结果如下：
注意这里的时间列。如果你的Excel文件里的时间格式跟此处一样，包含了日期和时间，那么Pandas会非常智能地帮你把它识别为时间格式，接着往下做就可以了。
反之，如果你获取到的时间只精确到日期，例如"2017-04-20"这样，那么Pandas只会把它当做字符串，后面的时间序列分析无法使用字符串数据。解决办法是在这里加入以下两行代码：
from dateutil import parser
df["date"] = df.date.apply(parser.parse)
这样，你就获得了正确的时间数据了。
确认数据完整无误后，我们要进行情感分析了。先用第一行的评论内容做个小实验。
text = df.comments.iloc[0]
然后我们调用SnowNLP情感分析工具。
from snownlp import SnowNLP
s = SnowNLP(text)
显示一下SnowNLP的分析结果：
s.sentiments
结果为：
0.6331975099099649
情感分析数值可以正确计算。在此基础上，我们需要定义函数，以便批量处理所有的评论信息。
def get_sentiment_cn(text):
s = SnowNLP(text) return s.sentiments
然后，我们利用Python里面强大的apply语句，来一次性处理所有评论，并且将生成的情感数值在数据框里面单独存为一列，称为sentiment。
df["sentiment"] = df.comments.apply(get_sentiment_cn)
我们看看情感分析结果：
df.head()
新的列sentiment已经生成。我们之前介绍过，SnowNLP的结果取值范围在0到1之间，代表了情感分析结果为正面的可能性。通过观察前几条数据，我们发现点评网站上，顾客对这家分店评价总体上还是正面的，而且有的评论是非常积极的。
但是少量数据的观察，可能造成我们结论的偏颇。我们来把所有的情感分析结果数值做一下平均。使用mean()函数即可。
df.sentiment.mean()
结果为：
0.7114015318571119
结果数值超过0.7，整体上顾客对这家店的态度是正面的。
我们再来看看中位数值，使用的函数为median()。
df.sentiment.median()
结果为：
0.9563139038622388
我们发现了有趣的现象——中位数值不仅比平均值高，而且几乎接近1（完全正面）。
这就意味着，大部分的评价一边倒表示非常满意。但是存在着少部分异常点，显着拉低了平均值。
下面我们用情感的时间序列可视化功能，直观查看这些异常点出现在什么时间，以及它们的数值究竟有多低。
我们需要使用ggplot绘图工具包。这个工具包原本只在R语言中提供，让其他数据分析工具的用户羡慕得流口水。幸好，后来它很快被移植到了Python平台。
我们从ggplot中引入绘图函数，并且让Jupyter Notebook可以直接显示图像。
%pylab inlinefrom ggplot import *
这里可能会报一些警告信息。没有关系，不理会就是了。
下面我们绘制图形。这里你可以输入下面这一行语句。
ggplot(aes(x="date", y="sentiment"), data=df) + geom_point() + geom_line(color = 'blue') + scale_x_date(labels = date_format("%Y-%m-%d"))
你可以看到ggplot的绘图语法是多么简洁和人性化。只需要告诉Python自己打算用哪个数据框，从中选择哪列作为横轴，哪列作为纵轴，先画点，后连线，并且可以指定连线的颜色。然后，你需要让X轴上的日期以何种格式显示出来。所有的参数设定跟自然语言很相似，直观而且易于理解。
执行后，就可以看到结果图形了。
在图中，我们发现许多正面评价情感分析数值极端的高。同时，我们也清晰地发现了那几个数值极低的点。对应评论的情感分析数值接近于0。这几条评论，被Python判定为基本上没有正面情感了。
从时间上看，最近一段时间，几乎每隔几天就会出现一次比较严重的负面评价。
作为经理，你可能如坐针毡。希望尽快了解发生了什么事儿。你不用在数据框或者Excel文件里面一条条翻找情感数值最低的评论。Python数据框Pandas为你提供了非常好的排序功能。假设你希望找到所有评论里情感分析数值最低的那条，可以这样执行：
df.sort(['sentiment'])[:1]
结果为：
情感分析结果数值几乎就是0啊！不过这里数据框显示评论信息不完全。我们需要将评论整体打印出来。
print(df.sort(['sentiment']).iloc[0].comments)
评论完整信息如下：
这次是在情人节当天过去的，以前从来没在情人节正日子出来过，不是因为没有男朋友，而是感觉哪哪人都多，所以特意错开，这次实在是馋A餐厅了，所以赶在正日子也出来了，从下午四点多的时候我看排号就排到一百多了，我从家开车过去得堵的话一个小时，我一看提前两个小时就在网上先排着号了，差不多我们是六点半到的，到那的时候我看号码前面还有才三十多号，我想着肯定没问题了，等一会就能吃上的，没想到悲剧了，就从我们到那坐到等位区开始，大约是十分二十分一叫号，中途多次我都想走了，哈哈，哎，等到最后早上九点才吃上的，服务员感觉也没以前清闲时周到了，不过这肯定的，一人负责好几桌，今天节日这么多人，肯定是很累的，所以大多也都是我自己跑腿，没让服务员给弄太多，就虾滑让服务员下的，然后环境来说感觉卫生方面是不错，就是有些太吵了，味道还是一如既往的那个味道，不过A餐厅最人性化的就是看我们等了两个多小时，上来送了我们一张打折卡，而且当次就可以使用，这点感觉还是挺好的，不愧是A餐厅，就是比一般的要人性化，不过这次就是选错日子了，以后还是得提前预约，要不就别赶节日去，太火爆了！
通过阅读，你可以发现这位顾客确实有了一次比较糟糕的体验——等候的时间太长了，以至于使用了“悲剧”一词；另外还提及服务不够周到，以及环境吵闹等因素。正是这些词汇的出现，使得分析结果数值非常低。
好在顾客很通情达理，而且对该分店的人性化做法给予了正面的评价。
从这个例子，你可以看出，虽然情感分析可以帮你自动化处理很多内容，然而你不能完全依赖它。
自然语言的分析，不仅要看表达强烈情感的关键词，也需要考虑到表述方式和上下文等诸多因素。这些内容，是现在自然语言处理领域的研究前沿。我们期待着早日应用到科学家们的研究成果，提升情感分析的准确度。
不过，即便目前的情感分析自动化处理不能达到非常准确，却依然可以帮助你快速定位到那些可能有问题的异常点(anomalies)。从效率上，比人工处理要高出许多。
你读完这条评论，长出了一口气。总结了经验教训后，你决定将人性化的服务贯彻到底。你又想到，可以收集用户等候时长数据，用数据分析为等待就餐的顾客提供更为合理的等待时长预期。这样就可以避免顾客一直等到很晚了。
祝贺你，经理！在数据智能时代，你已经走在了正确的方向上。
下面，你该认真阅读下一条负面评论了……
讨论
除了情感分析和时间序列可视化，你觉得还可以如何挖掘中文评论信息？除了点评网站之外，你还知道哪些舆情分析的数据来源？欢迎留言分享给大家，我们一起交流讨论。
如果你对我的文章感兴趣，欢迎点赞，并且微信关注和置顶我的公众号“玉树芝兰”(nkwangshuyi)。
如果你身边有好友正在做舆情分析的研究工作，也欢迎你把这篇文章转发给他们，共同学习和提高。
2. 学什么技术好就业
你好！关于你提问的“学什么技术，容易就业”这个问题，我的回答是：近几年，互联网大潮风起云涌，国家政策扶持力度也大。IT、互联网是近几年来的最为热门专业，虽然专业性强，但学IT技能门槛比较低，花费时间少，就业机会多，可以参考一下。
1、软件开发工程师
从事软件开发相关工作，会学习前端/后端开发技术、软件实施/测试技术、数据库技术。几乎每个IT企业的软件开发过程都需要质量控制、测试和文档工作，而这些工作必须要有专业技能的软件开发人才来完成。
2、Java全栈工程师
互联网巨头都在使用Java技术已经根植各行各业产品开发之中
3、云计算工程师
随着5G时代大幕初启，激烈的竞争使得企业对于5G人才的需求更为迫切。
4、网络工程师
维护服务器的安全稳定，自动化运维系统。这个岗位的就业竞争小，而且企业需求广，所有的IT企业都需要网络工程师帮助用户设计和建设计算机信息系统。
5、人工智能专业：人工智能专业是目前整个互联网行业最火的专业,同时也是薪资最高的行业,还是发展情景最好的专业.目前市场人才缺口500万。现在是进入人工智能领域的利好时期，因为各行各业都在试图和人工智能建立化学反应，智能制造、智能农业、智能物流、智能金融、智能家居、智能教育、智能商务、智能运载工具，这些都是专家对5年内最火应用的预测。
6、大数据专业：大数据课程内容包括Java和大数据两部分，主要培养Java大数据工程师、Hadoop大数据研发工程师、大数据分 析工程师、Spark工程师、大数据运维工程师。人工智能系主要培养人工智能工程师、人工智能算法工程师、Python开发工程师、 爬虫工程师。 为什么选择大数据？国际数据公司IDC预测，到2020年，企业基于大数据计算分析平台的 支出将突破5000亿美元。目前，我国大数据 人才只有46万，未来3到5年人才缺口达150万之多。
总之，不管选择任何专业去学习都一定要自己感兴趣，兴趣是最好的老师，应该按照自己的兴趣方向选择专业，只有结合自己的专业特长和兴趣爱好，选择较易发挥和把握的专业，这样才能学得比较轻松，成功的几率也会较大。
希望我的回答可以帮到你！顺祝学有所成高薪就业！！！！！
3. 刚毕业学什么技术好
你好，刚毕业可以学的技术有很多，对于技术的选择建议结合自己的实际情况来选择，那么刚毕业具体学什么技术好呢？
1、轨道交通运输与管理专业：
专业前景：城轨地铁建立在近几年来获得了突飞猛进的开展，许多城市的地铁建立也在紧锣密鼓的停止中，城轨地铁已成为了许多城市交通的重要组成局部。与此同时，城轨地铁建立人才需求量激增，城市轨道交通专业毕业生供不应求，就业前景非常宽广。
课程设置：城市轨道交通运营管理专业着眼于综合能力的提高，具有轨道交通的运营、票务、站务、管理、规划等方面扎实的专业知识理论基础。毕业后将主要从事城市轨道交通行车组织及调度组织、客运组织、综答合管理工作。
就业方向：主要面向城市轨道交通运营企业、高速公路运营企业、道路运输企业、客运站场、城市公交、出租车、网约车等大中型国有企业
2、互联网+新能源工程师：
专业前景：现在系能源技术也是目前市场比较热门的专业了 目前市场上新能源技术比较多，但是懂新能源技术的还是比较少的，所以学了出去后薪资高 而且也好就业 工作环境好!本专业系统学习汽车新能源技术、汽车互联网技术、汽车检测、维修、电子商务、高端车养护、二手车鉴定与评估等知识。能从事新能源汽车保养、汽车机电维修、车辆性能检测、汽车美容装饰、汽车服务顾问
就业方向：新能源汽车设计工程师、新能源汽车研发工程师、新能源车辆检测分析师、新能源汽车运行管理、经营销售等
以上专业仅供参考，对于专业时间的选择建议结合自己的实际情况来选择的，最后，就是关于学校的选择上，建议从以下几个方面进行考察：1）师资，是否有足够且丰富的教学资源； 2)设备，实训设备是不是和市场接轨，实操多不多；3) 就业，毕业后学生的就业是不是好。
以上几点建议，仅供参考。如能帮助到您，望采纳!