python用知网情感分析词典写一段情感分类的代码

可以使用Python中的NLTK（自然语言处理工具包）和知网情感分析词典来进行情感分类。

以下是一个使用知网情感分析词典进行情感分类的Python代码示例：

首先，导入所需的库和词典文件：

import jieba
from nltk.corpus import CategorizedPlaintextCorpusReader
from nltk.tokenize import word_tokenize

# 加载知网情感分析词典
pos_dict_file = 'path/to/pos_dict.txt'
neg_dict_file = 'path/to/neg_dict.txt'
pos_dict = set([line.strip() for line in open(pos_dict_file, encoding='utf-8') if line.strip()])
neg_dict = set([line.strip() for line in open(neg_dict_file, encoding='utf-8') if line.strip()])

接下来，定义一个函数，用于对输入的文本进行情感分类：

def classify_sentiment(text):
    # 分词
    words = jieba.cut(text)
    # 计算文本中正向情感词和负向情感词的数量
    pos_count = sum([1 for word in words if word in pos_dict])
    neg_count = sum([1 for word in words if word in neg_dict])
    # 根据正向情感词和负向情感词的数量来判断情感倾向
    if pos_count > neg_count:
        return 'positive'
    elif pos_count < neg_count:
        return 'negative'
    else:
        return 'neutral'

最后，对输入的文本进行情感分类：

text = '这个电影真的很棒，非常值得一看！'
sentiment = classify_sentiment(text)
print(sentiment)  # 输出：positive

这段代码使用了中文分词工具jieba对输入的文本进行分词，然后遍历分词后的单词列表，计算其中正向情感词和负向情感词的数量，最后根据数量比较来判断情感倾向。如果正向情感词的数量多于负向情感词的数量，则将情感分类为“positive”，如果负向情感词的数量多于正向情感词的数量，则将情感分类为“negative”，如果两者数量相等，则将情感分类为“neutral”。