Python可以轻松完成针对CSV数据集的情感分析任务。以下是完整的步骤及示例代码： ### 步骤概述： 1. **读取CSV文件**：利用`pandas`库加载并处理数据。 2. **文本预处理**：清理文本数据（如去除标点、停用词等）。 3. **情感分析模型选择**：可以选择基于规则的工具（如TextBlob），也可以使用深度学习框架（如Hugging Face Transformers）。 4. **运行预测**：将清洗后的文本输入到模型中，得到情感分类结果。 --- ### 示例代码 ```python # 导入必要的库 import pandas as pd from textblob import TextBlob # Step 1: 加载 CSV 文件 file_path = 'data.csv' # 替换为你的真实路径 df = pd.read_csv(file_path) # 假设CSV文件有一列名为'text' if 'text' not in df.columns: raise ValueError("CSV 中缺少 'text' 列") # Step 2: 定义函数进行情感分析 def analyze_sentiment(text): """ 使用 TextBlob 进行情感分析 :param text: 输入文本 :return: 情感极性和主观性 ( polarity, subjectivity ) """ blob = TextBlob(str(text)) # 确保输入为字符串 return blob.sentiment.polarity, blob.sentiment.subjectivity # Step 3: 对每条记录应用情感分析 df['Polarity'], df['Subjectivity'] = zip(*df['text'].apply(analyze_sentiment)) # Step 4: 根据 Polarit 分类情感标签 def get_sentiment_label(polarity): if polarity > 0: return "正面" elif polarity < 0: return "负面" else: return "中立" df['Sentiment_Label'] = df['Polarity'].apply(get_sentiment_label) # 输出前几行查看结果 print(df[['text', 'Polarity', 'Subjectivity', 'Sentiment_Label']].head()) # 将结果保存回一个新的 CSV 文件 output_file = 'sentiment_analysis_result.csv' df.to_csv(output_file, index=False) ``` --- ### 说明： 1. **依赖安装**：如果尚未安装所需的库，请通过以下命令安装它们： ```bash pip install pandas textblob ``` 如果需要更高级的功能（例如Transformer模型），还需要额外安装`transformers`和`torch`。 2. **TextBlob限制**：这是一个简单的基于规则的方法，适合快速入门；对于复杂的场景建议尝试机器学习或深度学习模型。 ---