### 使用Python对QQ音乐用户评论进行情感分析及可视化 #### 获取评论数据 为了执行情感分析，首先需要收集来自QQ音乐平台的用户评论。这可以通过编写网络爬虫来完成。通常情况下，会使用`requests`库发送HTTP请求，并借助`BeautifulSoup`或`lxml`解析HTML文档结构。 对于API接口形式的数据源，则可以直接调用相应的RESTful API获取JSON格式的响应内容[^2]。 ```python import requests from bs4 import BeautifulSoup def fetch_comments(song_id): url = f"https://c.y.qq.com/base/fcgi-bin/fcg_global_comment_h5.fcg?g_tk=5381&loginUin=0&hostUin=0&format=jsonp&inCharset=utf8&outCharset=UTF-8&notice=0&platform=yqq.json&needNewCode=0&cid=205360772&reqtype=2&biztype=1&typeTopId={song_id}&sin=0&eins=20" headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64)', 'Referer': 'https://y.qq.com/' } response = requests.get(url=url, headers=headers).json() comments = [] try: for comment in response['comment']['commentlist']: content = comment['rootcommentcontent'] nickname = comment['nick'] likes = comment['praisenum'] item = {"nickname": nickname, "likes": likes, "content": content} comments.append(item) return comments except Exception as e: print(f"Error occurred while fetching data: {e}") ``` #### 进行情感分析 一旦获得了足够的评论样本集，就可以应用自然语言处理(NLP)技术来进行情感倾向度评估。这里可以采用中文分词工具jieba配合SnowNLP库简化操作流程： ```python from snownlp import SnowNLP def analyze_sentiment(comments): sentiments_scores = [] for comment in comments: s = SnowNLP(comment["content"]) score = round(s.sentiments * 100, 2) sentiment_item = dict( nickname=comment["nickname"], likes=comment["likes"], content=comment["content"], sentiment_score=score ) sentiments_scores.append(sentiment_item) return sentiments_scores ``` 上述代码片段中，每条评论都会被转换成一个包含作者昵称、点赞数量、原始文本以及计算得出的情绪评分的对象列表。情绪评分为介于0到1之间的浮点数值；越接近1表示正面情绪越强烈，反之则代表负面情绪更明显[^3]。 #### 数据可视化 最后一步是对得到的结果做图表呈现以便直观理解。Matplotlib是一个非常适合绘制静态图标的第三方包，在此场景下可用于制作柱状图对比不同歌曲下的平均好评率差异，或者折线图追踪特定时间段内的舆论变化趋势等。 ```python import matplotlib.pyplot as plt plt.rcParams['font.sans-serif']=['SimHei'] def plot_sentiment_distribution(sentiments_scores): positive_count = sum(1 for d in sentiments_scores if d['sentiment_score'] >= 50) negative_count = len(sentiments_scores) - positive_count labels = ['Positive', 'Negative'] sizes = [positive_count, negative_count] fig1, ax1 = plt.subplots() ax1.pie(sizes, labels=labels, autopct='%1.1f%%', shadow=True, startangle=90) ax1.axis('equal') plt.title("Sentiment Distribution of QQ Music Comments") plt.show() plot_sentiment_distribution(analyze_sentiment(fetch_comments("your_song_id"))) ``` 这段脚本将会生成一张饼形图，用于显示正向评价与负向评价的比例分布情况。当然也可以根据实际需求调整绘图方式，比如条形图、散点图等形式都可以很好地表达不同类型的信息[^4]。