python词典情感分析

Python中可以使用多种工具对文本进行情感分析，其中常用的是使用词典进行情感极性的分类。下面介绍一种基于情感词典的情感分析方法：

1. 安装情感词典：可以使用NLTK中的情感词典，也可以使用第三方情感词典如“知网情感词典”、“台湾大学情感词典”等。

2. 加载情感词典：将情感词典读入程序中，一般情感词典的格式为每行一个词，后跟一个情感极性标签（如“positive”、“negative”、“neutral”等）。

3. 分词：使用分词工具（如jieba）对文本进行分词，得到每个词语。

4. 情感极性计算：对于每个词语，查找情感词典中是否有对应的情感词，如果有，则将该词语的情感极性值加入到文本的情感极性总值中。可以使用简单的加权方式计算情感极性，例如对于每个情感词汇，可以将其情感极性值设为1，否定词（如“不”、“没”等）的情感极性值设为-1，然后将所有情感词汇的情感极性值进行加权求和即可。

5. 判断情感：根据文本的情感极性总值，判断文本的情感倾向，例如当情感极性总值大于0时判断为正面情感，小于0时判断为负面情感，等于0时判断为中性情感。

下面是一个简单的情感分析示例代码：

import jieba
import codecs

# 加载情感词典
def load_dict(dict_path):
    pos_dict = set()
    neg_dict = set()
    neutral_dict = set()
    with codecs.open(dict_path, 'r', encoding='utf-8') as f:
        for line in f:
            fields = line.strip().split('\t')
            word, polarity = fields[0], fields[1]
            if polarity == 'positive':
                pos_dict.add(word)
            elif polarity == 'negative':
                neg_dict.add(word)
            else:
                neutral_dict.add(word)
    return pos_dict, neg_dict, neutral_dict

# 分词
def tokenize(text):
    return jieba.lcut(text)

# 计算情感极性
def calculate_sentiment(text, pos_dict, neg_dict, neutral_dict):
    sentiment = 0
    words = tokenize(text)
    for word in words:
        if word in pos_dict:
            sentiment += 1
        elif word in neg_dict:
            sentiment -= 1
        elif word in neutral_dict:
            continue
        else:
            continue
    return sentiment

# 判断情感
def predict_sentiment(text, pos_dict, neg_dict, neutral_dict):
    sentiment = calculate_sentiment(text, pos_dict, neg_dict, neutral_dict)
    if sentiment > 0:
        return 'positive'
    elif sentiment < 0:
        return 'negative'
    else:
        return 'neutral'

if __name__ == '__main__':
    text = '这部电影太棒了，非常感人。'
    pos_dict, neg_dict, neutral_dict = load_dict('sentiment_dict.txt')
    sentiment = predict_sentiment(text, pos_dict, neg_dict, neutral_dict)
    print(sentiment)

其中，`sentiment_dict.txt`是一个情感词典文件，格式为每行一个词，后跟一个情感极性标签（如“positive”、“negative”、“neutral”等）。