我们来导入SnowNLP进行情感分析，测试两个评价，看看情感分析后的打分。可以看到第一个好评得分0.69第二个差评得分0.25。

涉及代码如下:

import snownlp
word = snownlp.SnowNLP('商家做的又快又好吃，食材新鲜。味道让人流连忘返，下次还点!')
feeling1 = word.sentiments
print('feeling1=',feeling1)

word = snownlp.SnowNLP('太薄了，面料也不喜欢')
feeling2 = word.sentiments
print('feeling2=',feeling2)

（1）SnowNLP中文自然语言处理库

这里我们用到打分的SnowNLP是一个简化中文自然语言处理任务的 Python 库。针对淘宝等电商网站的评论，所以对购物类的文本情感分析准确度很高。

功能：

• 中文分词print('中文分词',s.words)：将中文文本分割成一个个词语，方便后续的处理和分析。
• 情感分析print('情感分析',s.sentiments)：判断文本的情感倾向，是积极、消极还是中性。
• 拼音转换print('转成拼音',s.pinyin)：将中文文本转换为拼音。
• 词性标注：为每个词语标注其词性，如名词、动词、形容词等。
• 关键词提取：从文本中提取出关键的词语。
• 文本分类：将文本归类到不同的类别中。
• 摘要生成：自动生成文本的摘要，参数表示要生成的摘要句子数量。

• 词频统计

我们来测试一下部分功能

import snownlp
print('\n')
text1 = '商家做的又快又好吃，食材新鲜。味道让人流连忘返，下次还点!'
print('{:-^50}'.format('测试文本：'+text1))
s = snownlp.SnowNLP(text1)
print('\n')

print('情感分析',s.sentiments)
#情感分析 0.687843313574824
print('\n')

print('中文分词',s.words)
#中文分词 ['商家', '做', '的', '又', '快', '又', '好吃', '，', '食材', '新鲜', '。', '味道', '让', '人', '流连忘返', '，', '下次', '还点', '!']
print('\n')

print('转成拼音',s.pinyin)
#转成拼音 ['shang', 'jia', 'zuo', 'de', 'you', 'kuai', 'you', 'hao', 'chi', '，', 'shi', 'cai', 'xin', 'xian', '。', 'wei', 'dao', 'rang', 'ren', 'liu', 'lian', 'wang', 'fan', '，', 'xia', 'ci', 'huan', 'dian', '!']
print('\n')

print('词频',s.tf)
#词频 [{'商': 1}, {'家': 1}, {'做': 1}, {'的': 1}, {'又': 1}, {'快': 1}, {'又': 1}, {'好': 1}, {'吃': 1}, {'，': 1}, {'食': 1}, {'材': 1}, {'新': 1}, {'鲜': 1}, {'。': 1}, {'味': 1}, {'道': 1}, {'让': 1}, {'人': 1}, {'流': 1}, {'连': 1}, {'忘': 1}, {'返': 1}, {'，': 1}, {'下': 1}, {'次': 1}, {'还': 1}, {'点': 1}, {'!': 1}]

（2）print('\n')换行

'\n' 属于转义字符，代表换行符。

    了解了要用到的SnowNLP之后我们来具体尝试一下：

 （3）积极和消极分类词云源代码：

import jieba
import wordcloud
import imageio
import snownlp

mk = imageio.v2.imread('swk.jpg')

w1 = wordcloud.WordCloud(width=1000,
                        height=700,
                        background_color='white',
                        font_path='msyh.ttc',
                        mask=mk,
                        scale=15)
w2 = wordcloud.WordCloud(width=1000,
                        height=700,
                        background_color='white',
                        font_path='msyh.ttc',
                        mask=mk,
                        scale=15)

f = open('西游记.txt',encoding='utf-8')
txt = f.read()
txtlist = jieba.lcut(txt)
positivelist = []
negativelist = []

print('开始进行情感分析，请稍等，西游记全文那么长的文本需要三分钟左右')

import 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
positive_string = " ".join(positivelist)
negative_string = " ".join(negativelist)

w1.generate(positive_string)
w2.generate(negative_string)

w1.to_file('output12-positive.png')
w2.to_file('output12-negative.png')
print('词云生成完成')

大部分代码都是学过的，可以复习建筑兔零基础自学python记录26|实战词云可视化项目——不同形状4-CSDN博客

这次我们主要来看一下新增的部分：

 具体代码解读：

positivelist = []
negativelist = []

    创建了两个空列表 positivelist 和 negativelist。positivelist 用于存储情感倾向为积极的文本，negativelist 用于存储情感倾向为消极的文本。

print('开始进行情感分析，请稍等，西游记全文那么长的文本需要三分钟左右')

     这段代码是个作者嵌入进去的提示，一般的词云都是运行就有结果的，但对于整篇文章来说往往需要一些运行时间。这能够提示结果并非出错而是在运行中。

print('词云生成完成')

代码最后的这一行文字也是为了提示词云制作完成。在控制台里我们可以清楚看到提示：

接下来我们看下循环代码：

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

解读：

for each in txtlist:
    each_word = snownlp.SnowNLP(each)
    feeling = each_word.sentiments

txtlist是上文代码提到的经过分词后的txt文本,each是变量

snownlp.SnowNLP(each)本行就是把变量each导入snownlp库里，导入后的结果起名为each_word

在这里我们对文本进行情感分析

if feeling > 0.96:
        positivelist.append(each)
    elif feeling < 0.06:
        negativelist.append(each)
    else:
        pass

feeling得分＞0.95判定属于positivelist[ ]

feeling得分＜0.06判定属于negativelist[ ]

0.06＜feeling得分＜0.95不管

append()是向列表添加元素，这里的append(each)就是把每次判断的内容添加到列表中

positive_string = " ".join(positivelist)
negative_string = " ".join(negativelist)

join()用于将可迭代对象（如列表、元组等）中的元素连接成一个字符串。
将 positivelist 列表中的所有元素用空格连接成一个字符串

将 negativelist 列表中的所有元素用空格连接成一个字符串 

（4）SnowNLP情感分析分值

    SnowNLP 进行情感分析时，会为文本给出一个 0 到 1 之间的分值，这个分值代表了文本的情感倾向。

• 接近 1：表示文本具有积极的情感倾向。分值越接近 1，说明文本所表达的积极情感越强烈。
• 接近 0：意味着文本具有消极的情感倾向。分值越接近 0，表明文本所表达的消极情感越强烈。
• 接近 0.5：说明文本的情感倾向不明显，可能是中性的描述。

整段代码解读如下：

import jieba
import wordcloud
import imageio
import snownlp

mk = imageio.v2.imread('swk.jpg')

w1 = wordcloud.WordCloud(width=1000,
                        height=700,
                        background_color='white',
                        font_path='msyh.ttc',
                        mask=mk,
                        scale=15)
w2 = wordcloud.WordCloud(width=1000,
                        height=700,
                        background_color='white',
                        font_path='msyh.ttc',
                        mask=mk,
                        scale=15)

f = open('西游记.txt',encoding='utf-8')
txt = f.read()
txtlist = jieba.lcut(txt)
#创建了两个空列表 positivelist 和 negativelist
positivelist = []
negativelist = []

print('开始进行情感分析，请稍等，西游记全文那么长的文本需要三分钟左右')

#对文本进行情感分析
for each in txtlist:
    each_word = snownlp.SnowNLP(each)
    feeling = each_word.sentiments
    #feeling得分＞0.95判定属于positivelist[  ]
    if feeling > 0.96:
        positivelist.append(each)
    #feeling得分＜0.06判定属于negativelist[ ]
    elif feeling < 0.06:
        negativelist.append(each)
    #0.06＜feeling得分＜0.95不管
    else:
        pass

#分别将positivelist列表和negativelist列表中的所有元素用空格连接成一个字符串
positive_string = " ".join(positivelist)
negative_string = " ".join(negativelist)

w1.generate(positive_string)
w2.generate(negative_string)

w1.to_file('output12-positive.png')
w2.to_file('output12-negative.png')
print('词云生成完成')

 

（5）总结

print('\n')换行