其他
Asent库 | 英文文本数据情感分析
Asent 是一个新的Python情感分析库， 依据情感词典，按照一定的规则，可用于评判词语、句子、文档的情感信息(正、负)。
目前情感计算规则有
否定（即“不高兴”） 加强词（“非常高兴”） 对比共轭（即“但是”） 其他强调标记，如感叹号、大小写和问号。
Asent目前仅支持英语、丹麦、挪威、瑞典4种语言。
参考往期文章 建议收藏 | nltk和spacy配置方法 ， 需要先下载并配置spacy模型。以下将带您逐步了解情绪是如何计算的。
!pip3 install spacy==3.2.0
!pip3 install asent==0.4.2
首先，我们需要一个 spaCy 管道，并且我们需要向其中添加 asent 管道。
import asent
import spacy
# en_core_web_lg是spacy模型，需要单独下载&配置，本文代码才可使用
nlp = spacy.load("en_core_web_lg")
# add the rule-based sentiment model
nlp.add_pipe("asent_en_v1")
<asent.component.Asent at 0x7fd6b3243130>效价和极性
如下所示， token的效价信息来自于人工标注的词典。例如I am not very happy中词语happy的人类情感评分是2.7。
首先我们查看每个词语对应的效价。
doc = nlp("I am not very happy.")
for token in doc:
print(token, "\t", token._.valence)
I 0.0
am 0.0
not 0.0
very 0.0
happy 2.7
. 0.0在该语境中， happy前面有否定词not修饰，所以情感极性方面应该被看做消极的。一般否定词和副词可以将形容词的情感进行反转和放大(缩小)。
for token in doc:
print(token._.polarity)
polarity=0.0 token=I span=I
polarity=0.0 token=am span=am
polarity=0.0 token=not span=not
polarity=0.0 token=very span=very
polarity=-2.215 token=happy span=not very happy
polarity=0.0 token=. span=.注意到， 词语在happy拥有-2.215的极性分，该分是由not very happy确定的。
可视化
asent拥有多种情感极性可视化的方法
asent.visualize(doc, style="prediction")
asent.visualize(doc, style="analysis")
for sentence in doc.sents:
print(sentence._.polarity)
neg=0.391 neu=0.609 pos=0.0 compound=-0.4964 span=I am not very happy.doc._.polarity
DocPolarityOutput(neg=0.391, neu=0.609, pos=0.0, compound=-0.4964)doc2 = nlp("I am not very happy.I am very very happy.It is awesome!!")
print('doc2情感极性信息: ', doc2._.polarity)
print()
print('doc2情感得分:', doc2._.polarity.compound)
doc2情感极性信息: neg=0.13 neu=0.536 pos=0.333 compound=0.2794
doc2情感得分: 0.279353567721562#每个句子的情感极性信息
for sentence in doc2.sents:
print(sentence._.polarity)
neg=0.391 neu=0.609 pos=0.0 compound=-0.4964 span=I am not very happy.
neg=0.0 neu=0.539 pos=0.461 compound=0.6453 span=I am very very happy.
neg=0.0 neu=0.461 pos=0.539 compound=0.6892 span=It is awesome!!#每个句子的情感得分
for sentence in doc2.sents:
print(sentence._.polarity.compound)
-0.4964238981617178
0.6452764659402158
0.689208135386188精选文章
LIWC vs Python | 文本分析之词典统计法略讲(含代码)