如何用Python做情感分析

可以使用snownlp包，也可以用nltk 和 scikit-learn 结合，或者自己写算法实现。

简单话就是情感词典的匹配，想提高效果的需要考虑特征之间的搭配，语法顺序等，可以查询搜索相关的入门例子和算法详细了解。

情感分析（Sentiment Analysis）

第一步，就是确定一个词是积极还是消极，是主观还是客观。这一步主要依靠词典。

英文已经有伟大词典资源：SentiWordNet 无论积极消极、主观客观，还有词语的情感强度值都一并拿下。

但在中文领域，判断积极和消极已经有不少词典资源，如Hownet，NTUSD但用过这些词典就知道，效果实在是不咋滴（最近还发现了大连理工发布的情感词汇本体库，不过没用过，不好评价）。中文这方面的开源真心不够英文的做得细致有效。而中文识别主客观，那真的是不能直视。

中文领域难度在于：词典资源质量不高，不细致。另外缺乏主客观词典。

第二步，就是识别一个句子是积极还是消极，是主观还是客观。

有词典的时候，好办。直接去匹配看一个句子有什么词典里面的词，然后加总就可以计算出句子的情感分值。

但由于不同领域有不同的情感词，比如看上面的例子，“蓝屏”这个词一般不会出现在情感词典之中，但这个词明显表达了不满的情绪。因此需要另外根据具体领域构建针对性的情感词典。

如果不那么麻烦，就可以用有监督的机器学习方法。把一堆评论扔到一个算法里面训练，训练得到分类器之后就可以把评论分成积极消极、主观客观了。

分成积极和消极也好办，还是上面那个例子。5颗星的评论一般来说是积极的，1到2颗星的评论一般是消极的，这样就可以不用人工标注，直接进行训练。但主客观就不行了，一般主客观还是需要人来判断。加上中文主客观词典不给力，这就让机器学习判断主客观更为困难。

中文领域的难度：还是词典太差。还有就是用机器学习方法判断主客观非常麻烦，一般需要人工标注。

另外中文也有找到过资源，比如这个用Python编写的类库：SnowNLP 就可以计算一句话的积极和消极情感值。但我没用过，具体效果不清楚。

到了第三步，情感挖掘就升级到意见挖掘（Opinion Mining）了。

这一步需要从评论中找出产品的属性。拿手机来说，屏幕、电池、售后等都是它的属性。到这一步就要看评论是如何评价这些属性的。比如说“屏幕不错”，这就是积极的。“电池一天都不够就用完了，坑爹啊”，这就是消极的，而且强度很大。

这就需要在情感分析的基础上，先挖掘出产品的属性，再分析对应属性的情感。

分析完每一条评论的所有属性的情感后，就可以汇总起来，形成消费者对一款产品各个部分的评价。

接下来还可以对比不同产品的评价，并且可视化出来。如图。

这一步的主要在于准确挖掘产品属性（一般用关联规则），并准确分析对应的情感倾向和情感强度。因此这需要情感分析作为基础。首先要找到评论里面的主观句子，再找主观句子里的产品属性，再计算属性对应的情感分。所以前面基础不牢固，后面要准确分析就有难度。

中文这个领域的研究其实很完善了，技术也很成熟。但需要完善前期情感分析的准确度。

总的来说，就是中文词典资源不好，工作做得不是很细很准。前期的一些基础不牢固，后面要得到准确的分析效果就不容易了。

成为一名优秀的情感咨询师，你需要具备这些技能。

1、有观察问题和发现问题的能力

作为一名情感咨询师，首先你必须拥有观察问题和发现问题的能力。必须知道咨询人所出现的情感问题在哪里，首先得判断咨询者的情绪，倾听他的事情和经历，认真倾听，不放过任何一个细节。并对咨询者进行提问等，使自己更加了解咨询者。从这些经历和事情中，判断出他们的问题是出在哪里，然后再进一步分析出解决的方案。

2、培养自己解决问题的能力

发现了咨询者身上的问题，接下来最重要的就是帮助咨询者解决问题和困境，作为一名情感咨询师，平时要学习一些情感方面的问题，丰富自己的知识。第一时间分析出咨询者的问题以及帮助咨询者解决问题，根据自己以往情感咨询的经验和所学到的知识，帮助咨询者。帮助咨询者分散注意力，从情感困境中走出来。情感咨询师应对向优秀的同类工作者学习，看别人是怎么解决问题的，从优秀者身上总结经验和教训。

3、学习咨询职业师的专业技巧

多学习和阅读专业情感咨询师方面的技巧和知识，看专业的书籍，掌握专业方法。同时，也可以在网上学习网课等，学习更多技能。也可以找专门的老师学习，从各方面把自己培养成为一个专业的情感咨询师。

成为一名优秀的情感咨询师，最重要的是有着不断探索和学习的心，不断的取长补短，完善自己。