Jupyter电商产品评论情感分析代码

以下是一个基于Python的Jupyter Notebook电商产品评论情感分析代码，使用了自然语言处理库NLTK和机器学习库Scikit-learn：

首先，我们需要导入所需的库：

import pandas as pd
import numpy as np
import re
import nltk
from nltk.corpus import stopwords
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import classification_report

接着，我们需要读取数据集，并进行一些简单的数据清洗：

# 读取数据
df = pd.read_csv('reviews.csv')

# 数据清洗
df.dropna(inplace=True)
df.reset_index(drop=True,inplace=True)
df['rating'] = np.where(df['rating'] > 3, 1, 0)

然后，我们需要对评论进行分词，并去除停用词：

# 分词
def tokenize(text):
    tokens = nltk.word_tokenize(text)
    stems = []
    for item in tokens:
        stems.append(nltk.PorterStemmer().stem(item))
    return stems

# 去除停用词
stop_words = set(stopwords.words('english'))
stop_words.add('br')

cv = CountVectorizer(tokenizer=tokenize, stop_words=stop_words)

接着，我们需要计算TF-IDF并将数据集分为训练集和测试集：

# 计算TF-IDF
tfidf_transformer = TfidfTransformer()

# 分割数据集
X_train, X_test, y_train, y_test = train_test_split(df['review'], df['rating'], random_state=0)
X_train_counts = cv.fit_transform(X_train)
X_train_tfidf = tfidf_transformer.fit_transform(X_train_counts)

然后，我们需要使用朴素贝叶斯进行分类：

# 训练模型
clf = MultinomialNB().fit(X_train_tfidf, y_train)

# 预测测试集
X_test_counts = cv.transform(X_test)
X_test_tfidf = tfidf_transformer.transform(X_test_counts)
y_pred = clf.predict(X_test_tfidf)

最后，我们需要评估模型的性能并输出分类报告：

# 输出分类报告
print(classification_report(y_test, y_pred))

以上就是一个简单的基于Jupyter Notebook的电商产品评论情感分析代码。