文本数据挖掘情感分析简单实例

情感分析是文本数据挖掘中的一项重要任务，它可以帮助我们对文本数据进行情感倾向性的判断。下面，我将给你一个简单的情感分析实例，帮助你更好地理解。

首先，我们需要准备一个文本数据集，这里我们以影评数据集为例。该数据集包含了一些电影的评论文本以及对应的情感标签（正面或负面）。

然后，我们需要进行数据预处理，包括分词、去停用词等操作，以便于后续的特征提取和模型训练。这里，我们可以使用 Python 中的 NLTK 库来进行预处理。代码如下：

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

# 加载停用词
stop_words = set(stopwords.words('english'))

# 分词和去停用词
def tokenize(text):
    tokens = word_tokenize(text.lower())
    tokens = [t for t in tokens if t.isalpha()]
    tokens = [t for t in tokens if not t in stop_words]
    return tokens

# 加载数据集
data = []
with open('reviews.txt', 'r') as f:
    for line in f:
        text, label = line.strip().split('\t')
        tokens = tokenize(text)
        data.append((tokens, label))

接下来，我们需要对文本数据进行特征提取，常用的方法有词袋模型和 TF-IDF 等。这里我们使用词袋模型来进行特征提取。代码如下：

from sklearn.feature_extraction.text import CountVectorizer

# 构建词袋模型
vectorizer = CountVectorizer(tokenizer=lambda x: x, preprocessor=lambda x: x)
X = vectorizer.fit_transform([d[0] for d in data])
y = [d[1] for d in data]

最后，我们可以使用机器学习算法来训练情感分析模型。这里，我们使用朴素贝叶斯算法来训练模型。代码如下：

from sklearn.naive_bayes import MultinomialNB
from sklearn.model_selection import cross_val_score

# 训练模型
clf = MultinomialNB()
scores = cross_val_score(clf, X, y, cv=5)
print('Accuracy:', scores.mean())

运行完这段代码后，我们可以得到模型的准确率，即 5 折交叉验证的平均准确率。

以上就是一个简单的文本数据挖掘情感分析实例，希望能够对你有所帮助。