Python wordcloud 庫 自學8

文字情感分析

• 1、參考圖檔
• 2、簡單介紹
• • 2.1、積極詞彙
  • 2.2、消極詞彙
• 3、程式舉例
• • 3.1、參考文本
  • 3.2、源代碼
  • 3.3、導出圖檔
• *4、補充
• • 4.1、原生詞雲圖（一行二個）
  • 4.2、源代碼

1、參考圖檔

2、簡單介紹

2.1、積極詞彙

import snownlp
word = snownlp.SnowNLP("生活的理想，就是為了理想的生活")
print(word.sentiments)

# output：0.9698538001511074
           

2.2、消極詞彙

import snownlp
word = snownlp.SnowNLP("外賣慢死了，快餓死了")
print(word.sentiments)

# output：0.2805277439985002
           

3、程式舉例

3.1、參考文本

《巴黎聖母院》

3.2、源代碼

import jieba
import wordcloud
# 導入詞雲制作第三方庫 wordcloud 和中文分詞第三方庫 jieba

import imageio
# 導入處理圖檔輸入輸出第三方 imageio 庫
photo = imageio.imread("map.png")
# 利用 imageio 庫中的 imread 函數讀取本地圖檔并将此圖檔對象傳遞給參數 photo

w1 = wordcloud.WordCloud(width=1000,
                         height=700,
                         background_color='white',
                         font_path='msyh.ttc',
                         mask=photo,
                         scale=15)
w2 = wordcloud.WordCloud(width=1000,
                         height=700,
                         background_color='white',
                         font_path='msyh.ttc',
                         mask=photo,
                         scale=15)
# 建構并配置兩個詞雲對象 w1 和 w2 、分别存放積極詞和消極詞

f = open('巴黎聖母院.txt', encoding='utf-8')
txt = f.read()
txtlist = jieba.lcut(txt)
positivelist = []
negativelist = []
# 對來自外部檔案的文本進行中文分詞、得到積極詞彙和消極詞彙的兩個清單

import snownlp
# 導入自然語言處理第三方庫 snownlp

for each in txtlist:
    each_word = snownlp.SnowNLP(each)
    feeling = each_word.sentiments
    if feeling > 0.96:
        positivelist.append(each)
    elif feeling < 0.06:
        negativelist.append(each)
    else:
        pass
# 對文本中的每個詞進行情感分析、情感 > 0.96判為積極詞、情感 < 0.06判為消極詞

positive_string = " ".join(positivelist)
negative_string = " ".join(negativelist)
# 将積極和消極的兩個清單各自合并成積極字元串和消極字元串，字元串中的詞用空格分隔

w1.generate(positive_string)
w2.generate(negative_string)
# 将 string 變量傳入 w 的generate()方法、給詞雲輸入文字

w1.to_file('wordcloud11.png')
w2.to_file('wordcloud12.png')
# 将積極、消極的兩個詞雲圖檔導出到目前檔案夾
           

3.3、導出圖檔

• 積極詞彙

  

• 消極詞彙

*4、補充

4.1、原生詞雲圖（一行二個）

4.2、源代碼

import jieba
import wordcloud
# 導入詞雲制作第三方庫 wordcloud 和中文分詞第三方庫 jieba

import imageio
# 導入處理圖檔輸入輸出第三方 imageio 庫
photo = imageio.imread("chinamap.png")
# 利用 imageio 庫中的 imread 函數讀取本地圖檔并将此圖檔對象傳遞給參數 photo

w1 = wordcloud.WordCloud(width=1000,
                         height=700,
                         background_color='white',
                         font_path='msyh.ttc',
                         mask=photo,
                         scale=15)
w2 = wordcloud.WordCloud(width=1000,
                         height=700,
                         background_color='white',
                         font_path='msyh.ttc',
                         mask=photo,
                         scale=15)
# 建構并配置兩個詞雲對象 w1 和 w2 、分别存放積極詞和消極詞

f = open('巴黎聖母院.txt', encoding='utf-8')
txt = f.read()
txtlist = jieba.lcut(txt)
positivelist = []
negativelist = []
# 對來自外部檔案的文本進行中文分詞、得到積極詞彙和消極詞彙的兩個清單

import snownlp
# 導入自然語言處理第三方庫 snownlp

for each in txtlist:
    each_word = snownlp.SnowNLP(each)
    feeling = each_word.sentiments
    if feeling > 0.96:
        positivelist.append(each)
    elif feeling < 0.06:
        negativelist.append(each)
    else:
        pass
# 對文本中的每個詞進行情感分析、情感 > 0.96判為積極詞、情感 < 0.06判為消極詞

positive_string = " ".join(positivelist)
negative_string = " ".join(negativelist)
# 将積極和消極的兩個清單各自合并成積極字元串和消極字元串，字元串中的詞用空格分隔

w1.generate(positive_string)
w2.generate(negative_string)
# 将 string 變量傳入 w 的generate()方法、給詞雲輸入文字

import matplotlib.pyplot as plt
# 導入繪圖第三方庫 matplotlib

fig, axes = plt.subplots(1, 2)
# 顯示積極、消極詞雲圖 (一行二個)

axes[0].imshow(w1)
axes[1].imshow(w2)
for ax in axes:
    ax.set_axis_off()
plt.show()

w1.to_file('wordcloud11.png')
w2.to_file('wordcloud12.png')
# 将積極、消極的兩個詞雲圖檔導出到目前檔案夾