文本原始数据如何用代码生成情感标签

文本原始数据包含人类语言，我们需要将其转换为计算机可以理解的向量形式，然后再使用机器学习或深度学习的模型进行情感分类。以下是一个使用Python进行情感分类的示例代码：

import pandas as pd
import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

# 读取数据
df = pd.read_csv('data.csv')

# 加载预训练模型和分词器
model_name = 'distilbert-base-uncased-finetuned-sst-2-english'
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

# 对文本进行分词和编码
tokens = tokenizer(df['text'].tolist(), padding=True, truncation=True, return_tensors='pt')
input_ids = tokens['input_ids']
attention_mask = tokens['attention_mask']

# 使用模型进行预测
with torch.no_grad():
    outputs = model(input_ids, attention_mask=attention_mask)
    logits = outputs.logits
    predicted_labels = torch.argmax(logits, dim=1)

# 将预测结果转换为标签
label_map = {0: 'negative', 1: 'positive'}
predicted_labels = [label_map[label.item()] for label in predicted_labels]

# 将标签添加到DataFrame中
df['label'] = predicted_labels

其中，`data.csv`是包含文本数据的CSV文件，`text`是文本数据列。这段代码使用了Hugging Face的Transformers库，加载了一个预训练的DistilBERT模型和对应的分词器，然后使用模型对文本进行预测，将预测结果转换为情感标签，并将标签添加到DataFrame中。在实际应用中，还可以使用其他预训练模型和分词器，以达到更好的效果。