### 头歌平台Python实验之评论信息极性分析 #### 实验目标 利用Python及其相关库对给定的数据集执行情感分析，特别是针对评论文本的信息进行极性（正面/负面）评估。这有助于了解公众对于特定产品或服务的态度倾向。 #### 所需工具与资源 - **编程语言**: Python被广泛应用于此类任务中，得益于其丰富的自然语言处理(NLP)库支持[^2]。 - **主要依赖库**: - `spaCy`：用于高效的文本预处理操作，如分词、去除停用词等； - `TextBlob`: 提供简单的API接口来进行基于规则的情感评分计算； #### 数据准备 选取合适的电影评论数据集作为输入源，该类数据通常包含用户撰写的影评文字以及对应的情绪标签(正向或负向)[^1]。 #### 编码实践 下面展示了一个基本框架来完成上述目的： ```python import spacy from textblob import TextBlob # 加载小型英语模型 nlp = spacy.load('en_core_web_sm') def preprocess_text(text): doc = nlp(text.lower()) tokens = [token.lemma_ for token in doc if not token.is_stop and token.is_alpha] return " ".join(tokens) def analyze_sentiment(review_texts): sentiments = [] for review in review_texts: processed_review = preprocess_text(review) blob = TextBlob(processed_review) polarity_score = blob.sentiment.polarity sentiment = 'positive' if polarity_score >= 0 else 'negative' sentiments.append((review, polarity_score, sentiment)) return sentiments if __name__ == "__main__": reviews = ["I love this movie!", "This film was terrible."] results = analyze_sentiment(reviews) for result in results: print(f"Review: {result[0]} | Polarity Score: {result[1]:.2f} | Sentiment: {result[2]}") ``` 此脚本首先定义了两个函数——一个是用来清理并转换原始评论字符串(`preprocess_text`)，另一个则是负责调用`TextBlob`对象获取每条评论的具体情绪得分(`analyze_sentiment`)。最后，在主程序部分展示了如何运用这两个辅助方法处理一组样例评价，并打印出最终的结果列表。 #### 结果解释 运行这段代码将会输出各条评论对应的极性分数及类别判断。其中，“Polarity Score”表示经过标准化后的连续数值范围(-1至+1)，而“Sentiment”则指明了这条记录更倾向于哪一种态度方向。