我有一个txt文本，里面每一行是一条评论，你能给我用python写出通过机器学习分析每一句话情感倾向并对它进行打分的代码吗

当然可以，我可以给你提供一个基于自然语言处理的情感分析模型，使用Python编写代码，可以对每一句话进行情感分析并打分。以下是代码示例：

首先，我们需要安装必要的库，包括`pandas`，`nltk`和`scikit-learn`。

!pip install pandas nltk scikit-learn

然后，我们需要加载数据集并准备数据。假设我们的数据集是一个名为`comments.txt`的文本文件，每一行代表一条评论。

import pandas as pd

# 加载数据集
with open('comments.txt', 'r') as f:
    comments = f.readlines()

# 创建数据框
df = pd.DataFrame({'comment': comments})

接下来，我们需要对评论进行预处理，包括去除标点符号、停用词和数字等。

import nltk
from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize
import string

# 下载停用词和词性标注器
nltk.download('stopwords')
nltk.download('punkt')

# 创建停用词列表
stop_words = set(stopwords.words('english'))

# 移除标点符号和数字
df['comment'] = df['comment'].apply(lambda x: x.translate(str.maketrans('', '', string.punctuation)))
df['comment'] = df['comment'].apply(lambda x: x.translate(str.maketrans('', '', string.digits)))

# 分词并移除停用词
df['tokens'] = df['comment'].apply(lambda x: [word.lower() for word in word_tokenize(x) if word.lower() not in stop_words])

然后，我们需要将每个单词转换为其对应的向量表示，这里我们使用`TfidfVectorizer`。

from sklearn.feature_extraction.text import TfidfVectorizer

# 创建词袋模型
vectorizer = TfidfVectorizer()

# 转换文本为向量
X = vectorizer.fit_transform(df['comment'])

最后，我们可以使用`LogisticRegression`分类器来训练情感分析模型，并用该模型对评论进行情感分析，并为每个评论打分。

from sklearn.linear_model import LogisticRegression

# 训练情感分析模型
clf = LogisticRegression(random_state=0).fit(X, df['sentiment'])

# 进行情感分析并打分
df['sentiment_score'] = clf.predict_proba(X)[:, 1]

上述代码中，我们使用`LogisticRegression`分类器来训练情感分析模型，并使用`predict_proba`方法获取每个评论为正面情感的概率，即情感得分。

完整的代码示例如下所示：

import pandas as pd
import nltk
from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize
import string
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression

# 加载数据集
with open('comments.txt', 'r') as f:
    comments = f.readlines()

# 创建数据框
df = pd.DataFrame({'comment': comments})

# 下载停用词和词性标注器
nltk.download('stopwords')
nltk.download('punkt')

# 创建停用词列表
stop_words = set(stopwords.words('english'))

# 移除标点符号和数字
df['comment'] = df['comment'].apply(lambda x: x.translate(str.maketrans('', '', string.punctuation)))
df['comment'] = df['comment'].apply(lambda x: x.translate(str.maketrans('', '', string.digits)))

# 分词并移除停用词
df['tokens'] = df['comment'].apply(lambda x: [word.lower() for word in word_tokenize(x) if word.lower() not in stop_words])

# 创建词袋模型
vectorizer = TfidfVectorizer()

# 转换文本为向量
X = vectorizer.fit_transform(df['comment'])

# 训练情感分析模型
clf = LogisticRegression(random_state=0).fit(X, df['sentiment'])

# 进行情感分析并打分
df['sentiment_score'] = clf.predict_proba(X)[:, 1]