1. 基本概念
情感傾向分析接口（通用版）：對只包含單一主體主觀信息的文本，進行自動情感傾向性判斷（積極、消極、中性），並給出相應的置信度。爲口碑分析、話題監控、輿情分析等應用提供基礎技術支持，同時支持用戶自行定製模型效果調優
還是直接調用百度AI開放平臺的接口，需要三個步驟：
① 創建應用（已完成！）
② 獲取AccessToken（已完成！）
③ 調用接口做情感傾向分析（未完成！）
2. 情感傾向分析
1） 生成情感傾向分析接口的url
url_sentiment_classify = 'https://aip.baidubce.com/rpc/2.0/nlp/v1/sentiment_classify?charset=UTF-8&access_token=' + access_token
print(url_sentiment_classify)
–> 輸出的結果爲：（還是之前的access_token）
https://aip.baidubce.com/rpc/2.0/nlp/v1/sentiment_classify?charset=UTF-8&access_token=24.6c5e1ff107f0e8bcef8c46d3424a0e78.2592000.1485516651.282335-857407
2) 進行情感傾向分析
步驟爲：按照要求設置請求頭 –> 創建變量，寫入需要分詞的文本 –> 用requests工具包發送請求 –> 返回處理結果
#按照要求設置請求頭
headers = {'content-type': 'application/json'}
# 創建變量，寫入需要分詞的文本
st = '百度是一家高科技公司'
# 用requests工具包發送請求
response = requests.post(url_sentiment_classify,
data = json.dumps({'text': st}), # st變量寫在這裏
headers = headers)
if response:
result = response.json()
print(result)
–> 輸出的結果爲：（將所有的信息都返回在一個字典裏面）
{'log_id': 244924604822151288,
'text': '百度是一家高科技公司',
'items': [{'positive_prob': 0.994472,
'confidence': 0.987716,
'negative_prob': 0.00552789,
'sentiment': 2}]}
3) 提取情感傾向分析結果
print(result['items'],'\n-------') # 提取items
print(result['items'][0],'\n-------') # 提取items中列表的第1個元素
print(result['items'][0]['negative_prob'],'\n-------') # 提取'negative_prob'信息
–> 輸出的結果爲：
[{'positive_prob': 0.994472, 'confidence': 0.987716, 'negative_prob': 0.00552789, 'sentiment': 2}]
-------
{'positive_prob': 0.994472, 'confidence': 0.987716, 'negative_prob': 0.00552789, 'sentiment': 2}
-------
0.00552789
-------
返回的參數官方的解析：（sentiment → 感情極性分類
positive_prob or negative_prob → 對於積極類別概率和消極類別概率，我們選擇1個作爲分析參數即可，可以看到之前的分析結果中{‘positive_prob’: 0.994472, ‘negative_prob’: 0.00552789}，兩者之和爲1，所以如果選擇negative_prob作爲情感的量化指標，該指標>0.5代表本句話是負向，反之爲正向）
3. 分析邏輯梳理及數據準備
對於實際新聞的文本內容，如果要查看其情感傾向變化分析，核心是如何做文字拆分。舉個例子：如果我們可以把文章做斷句，並對每句話都做情感傾向分析，就可以找到該文章的情感傾向變化趨勢了。
這個過程中我們從positive_prob / negative_prob兩者中選取一個量化指標即可，比如選擇negative_prob，分析邏輯如下：
① 對文章進行斷句處理，做好數據準備
② 針對每句話做情感傾向分析，並記錄好negative_prob值
③ 結果整理，處理成表格型數據pandas.DataFrame
④ 繪製圖表查看情感傾向變化趨勢
4. 實戰操作
1）首先是要進行文章斷句處理
news = '''
孫楊的事情，還沒有結束。最近，他的媽媽楊明，也被捲進了輿論風波中。在國際體育仲裁法庭宣佈孫楊禁賽八年後，愛子心切的孫媽媽，在朋友圈發了一條長文。文章開頭，就在哭訴兒子的不容易。之後，她就開始指責領導的不負責，指派律師的不專業。首先，她表明孫楊在08年因爲身體不適服用了含有鹽酸曲美他嗪的“萬爽力。”當時，這藥物還未變成“賽內禁用，賽外可用”的違禁藥。直到過了6年，中國反興奮劑網站才下發通知，表明“萬爽力”是違禁藥，強調運動員對此是毫不知情。當年不知情的孫楊，還是正常使用了“萬爽力”，沒想到體檢是陽性，爲此還被口頭警告，要求罰款5000元。對於自己被“冤枉”，孫楊當然是不樂意的。但是在領導說出“不會影響成績”後，孫楊媽媽選擇先把這件事情放下，讓兒子繼續比賽。孫楊，也這麼做了。聽話的後果，就讓這件事成爲了“孫楊職業生涯最大的恥辱柱。”再之後參加國際聽證會和仲裁會，孫楊媽媽也認爲領導指派的律師專業性十分不強，影響了最終結果的判斷，導致了自己兒子被禁賽8年的事情發生。整篇文章看下來，可以看出孫楊媽媽的不甘和怒氣。也能看出，她意在把事情的全部責任，都推卸到別人身上。但是，真相似乎並不像孫楊媽媽所指的一樣，孫楊被禁賽長達8年，只有別人的責任，自己毫無問題。前不久，有人在網上放出了孫楊媽媽在聽證會的一段視頻曝光。在聽證會上，孫楊媽媽一直不願正面回答對方提出的問題。並且不顧規則，總是中途打斷對方，浪費了許多時間。法官問了三遍“孫楊是否撕毀了他之前簽字的檢驗單？”孫楊媽媽是承認了，但卻一直解釋，自己兒子的暴力抗檢，是“有理有據。”明明是回答是或者不是的問題，孫楊媽媽卻一直自說自話，胡亂辯解。直到她的證詞時間已經結束了，她還要強調“我還沒說完。”不聽安排，無視規則。而且據爆料，孫楊媽媽在去年6月，還曾私下聯繫過血檢官和尿檢官。這些，都是WADA明令禁止的。這一系列操作看下來，孫楊媽媽對於整件事而言，沒有任何正面幫助，還幫了倒忙。在孫楊的成長道路，運動員生涯中，最離不開和最常見到的身影，就是他的媽媽楊明。作爲曾經的浙江女排主力，專業的運動員，楊明深知運動員鍛鍊時間的重要性。在孫楊小時候，楊明是風雨無阻開車送兒子去訓練，完全沒有自我時間。爲了讓孩子把一切時間運用在游泳上，楊明更是把孫楊當成了“巨嬰”去養。小學六年級，孫楊還不會繫鞋帶，上學訓練也是從不背書包。在楊明的眼裏，這些都是小事，什麼事情，都沒有游泳訓練重要。對於自己無私奉獻，楊明也是十分的驕傲。她認爲是自己的犧牲成全，纔有了現今的孫楊。不能否認，孫楊是一個游泳健將，他在國際賽事上的成績，就是最好的證明。但私下裏的孫楊，遠沒有他在國際體壇上表現的那麼完美。生活中孫楊的不完美，也同樣離不開母親楊明的“幫助”。2010年，孫楊跟隨朱志根前往澳大利亞訓練。在公開訓練場，19歲的孫楊沒有圍浴巾換泳褲，正好被外國女選手撞見。女選手走後找到了教練朱志根，希望他能能提醒孫楊不要再做這種不雅的事情。孫楊對於自己做過的事情是矢口否認，連着被問兩次，他也強硬表示“決無此事。”明明在撒謊卻如此有底氣，氣不過的朱志根直接給了孫楊一巴掌。這件事被楊明知道後，她並沒有平息雙方怒火，反而火上澆油向學院領導打了電話，痛斥教練不尊重孫楊，傷害了孩子的自尊心。之後，楊明爲了孫楊的運動生涯，更是多次與人起過沖突，絲毫不在意他人的看法。爲照顧孫楊，楊明要求住進運動員酒店與兒子同住。爲孫楊的游泳訓練，楊明在現場記錄對手的訓練記錄，還會對着旁人埋怨：“這要換成朱志根，他能做到這些？”對於集體安排的活動，楊明有異議就直接向國家體育總局開炮。孫楊成績不如意，楊明不去想兒子的問題，而是去指責教練教導的有問題。有媒體不遠萬里從巴西過來想要採訪孫楊，楊明直接問了一句：你們電視節目在巴西放，對我們有什麼好處？對國外的記者不客氣，楊明對國內的記者媒體，也十分的不禮貌。有一次孫楊進行完體能訓練走出場館後，記者和粉絲拿着鏡頭對孫楊拍照。身爲領隊和母親的楊明，看到現場狀況後瘋狂發飆，大喊：“別拍了！煩死了！討厭死了！”更有傳言稱，楊明還用水瓶砸了一個記者的相機。據知情者爆料，孫楊在天津訓練時不僅要求卡宴，奧迪接送，下水前還要母親和保鏢陪着。楊明更是大牌到只接受央視記者的採訪，其餘的記者，通通不見。事情被報道後，楊明着重強調是“無中生有。”孫楊更是爲媽媽開了個發佈會，“希望大家能夠理解媽媽。”接受其他採訪，楊明更是對主持人有很大的意見，在現場就直接黑臉。楊明仗着孫楊的名氣耍大牌，對兒子一次次的縱容和任性，終於惹怒了訓練隊。12年倫敦奧運結束才半年，孫楊就開始不聽組織安排不服從紀律。在運動員最需要集中系統訓練的時候，孫楊不僅私自談戀愛，還頻繁出席商業活動。面對教練的批評，孫楊根本不聽，還對着朱志根說“你的訓練太落後，我不跟你練了。”一次次的頂撞衝突，浙江體育職業技術學院對孫楊做出了嚴厲處罰。院長接受採訪時，也明確表明“在浙江只有優秀運動員，沒有特殊運動員。”經歷耍大牌，不聽要求，被訓練隊懲罰後，孫楊的名氣一落千丈，個人形象頃刻坍塌。這時的孫楊，仍沒有吸收教訓，觸犯了法律，因爲無證駕駛被行政拘留了7天。而且在交涉過程中，孫楊再一次撒了慌，對外說自己有駕駛證。同時還被曝出早前就曾多次在沒有駕照的情況下獨自駕車外出。個人形象再次受損。也因爲這次無證駕駛，孫楊的空姐女友浮出了水面。孫楊對於這個女友也是十分寶貝，曾對着母親楊明說要把她娶進門。但楊明並不滿意這個比孫楊大6歲的女朋友，並未同意。後有媒體拍到該空姐曾帶着一個孩子外出，有不少人懷疑這個孩子是孫楊的私生子。只不過孫楊對外，從未正面迴應過。對外風評不佳，在隊裏，孫楊也不受隊友的待見。有隊友爆料，孫楊成績提高後十分傲慢目中無人。孫楊也因爲傲慢性格被孤立後，就開始和圈外的狐朋狗友交朋友，逛夜店，泡歌廳。這些事情，放在任何一個公衆人物身上，都能讓他一蹶不振很難東山再起。但對於有着超強業務能力的孫楊來說，這些都不是問題。即使有負面新聞纏身，在他再次取得取得傲人成績後，人們就逐漸忘記了他之前的任性耍大牌。搖身一變，孫楊又成爲了大家眼中可愛的大白楊。即使後面他因穿個人簽約品牌違反規定遭爭議，孫楊也並未迴應。而這些也都未擊垮他的職業生涯，觀衆們也沒做太多關心。直到14年，孫楊因爲服用違禁藥品問題，完美的職業生涯出現了一個缺口。這一次的抗檢事件，更成爲壓死駱駝的最後一根稻草。孫楊也爲他的不配合，蠻橫囂張的態度付出了太過於沉重的代價。而這背後，離不開他母親楊明在後面的無限縱容，推波助瀾。從此次她在聽證會的表現可看出，這麼多年，她的脾氣仍沒有改變，面對官方和媒體，她依舊按着自己的那一套處理事情。她以爲靠着自己的七寸不爛之舌可以爲兒子洗清冤屈，殊不知她的一番話，把孫楊推向了摸不見底的深潭。這次孫楊能被禁賽長達8年，更是離不開她的“親力親爲。”事情再次發酵後，楊明刪除了朋友圈的控訴，孫楊的微博裏，也沒有他當晚發的幾條證據。好在孫楊這次還有上訴的機會，如若成功，他的職業生涯還能延長几年。希望這次慘痛教訓能讓孫楊媽媽知道，孫楊，早就不是象牙塔裏的孩子。你的親切關懷不是蜜糖，是砒霜。29歲的孫楊，也應該明白，人生除了比賽，還有做人。奧運冠軍的光環，不可能罩着你一輩子。
'''
news_r = news.replace('孫楊媽媽', '孫母')
news_r = news_r.replace('孫媽媽', '孫母')
news_r = news_r.replace('母親', '孫母')
news_r = news_r.replace('楊明', '孫母')
news_r = news_r.replace('媽媽', '孫母')
news_r = news_r.replace('兒子', '孫楊')
#還可以加更多的替換
sentenceslst = news_r.split('。')
print(type(sentenceslst))
print(len(sentenceslst))
sentenceslst[:5]
–> 輸出的結果爲：（這裏還是針對孫楊的那篇文章）
<class 'list'>
95
['\n孫楊的事情，還沒有結束',
'最近，他的媽媽楊明，也被捲進了輿論風波中',
'在國際體育仲裁法庭宣佈孫楊禁賽八年後，愛子心切的孫媽媽，在朋友圈發了一條長文',
'文章開頭，就在哭訴兒子的不容易',
'之後，她就開始指責領導的不負責，指派律師的不專業']
2） 逐句做情感傾向分析
① 這裏構建函數做情感傾向分析，以negative_prob爲情感傾向量化指標
def sentiment_ana(text):
# 寫入參數text
responsei = requests.post(url_sentiment_classify,
data = json.dumps({'text': text}),
headers = headers)
if response:
return responsei.json()['items'][0]['negative_prob']
# 情感傾向分析測試
print(sentenceslst[0])
print(sentiment_ana(sentenceslst[0]))
–> 輸出的結果爲：
孫楊的事情，還沒有結束
0.952837
② 遍歷循環，實現逐句做情感傾向分析
sc_data = []
# 導入time模塊，用於查看代碼執行時間
import time
start_time = time.time()
# for循環遍歷
for i in sentenceslst:
try:
sen_dic = {'sentence':i, 'negative_prob':sentiment_ana(i)} # 創建字典存儲情感傾向分析結果
sc_data.append(sen_dic) # 將結果存入列表
except:
continue
# 計算代碼執行時間
end_time = time.time()
print('代碼運行時間(s)：', end_time - start_time)
sc_data[:5]
–> 輸出的結果爲：
代碼運行時間(s)： 17.278812885284424
[{'sentence': '\n孫楊的事情，還沒有結束', 'negative_prob': 0.952837},
{'sentence': '最近，他的媽媽楊明，也被捲進了輿論風波中', 'negative_prob': 0.162765},
{'sentence': '在國際體育仲裁法庭宣佈孫楊禁賽八年後，愛子心切的孫媽媽，在朋友圈發了一條長文',
'negative_prob': 0.248906},
{'sentence': '文章開頭，就在哭訴兒子的不容易', 'negative_prob': 0.395767},
{'sentence': '之後，她就開始指責領導的不負責，指派律師的不專業', 'negative_prob': 0.99982}]
3） 分析結果數據整理
對於已經處理好的sc_data，由於字典列表格式並不是很方便做數據分析，這裏我們需要把它整理成表格型數據，也就是轉化爲DataFrame數據
df_sen = pd.DataFrame(sc_data)
print(df_sen.head())
–> 輸出的結果爲：（【0-1】之間，偏向1說明情感偏向負向）
4） 繪製圖表查看情感傾向變化趨勢
df_sen['negative_prob'].plot(title = '文章情感傾向變化趨勢密度圖',
figsize = (15,5),
kind = 'kde',
grid = True)
–> 輸出的結果爲：（橫座標代表negative_prob字段的值區間，準確來說其值區間應該是[0:1]，但由於密度圖是平滑曲線所以<0以及>1的值也顯示在圖表上了，但這裏無具體意義可以忽略；縱座標代表密度，可以理解爲negative_prob字段對應值的出現頻率比較，由於negative_prob在[0：0.5]區間代表正向情緒，[0.5:1]代表負向情緒，所以從圖中可以看出文章整體情感傾向是負向，峯值在[0.75:1]之間）
5. 繪製情感傾向指標趨勢曲線折線圖
from pyecharts.charts import Line
from pyecharts import options as opts
c = (
Line()
.add_xaxis(x)
.add_yaxis("情感傾向指標", y, is_smooth=True,)
.set_series_opts(
areastyle_opts=opts.AreaStyleOpts(opacity=0.5),
label_opts=opts.LabelOpts(is_show=False),
)
.set_global_opts(
title_opts=opts.TitleOpts(title="情感傾向指標趨勢曲線 折線圖"),
datazoom_opts=[opts.DataZoomOpts()],
xaxis_opts=opts.AxisOpts(
axistick_opts=opts.AxisTickOpts(is_align_with_label=True),
is_scale=False,
boundary_gap=False,
),
yaxis_opts=opts.AxisOpts(
type_="value",
axistick_opts=opts.AxisTickOpts(is_show=True),
splitline_opts=opts.SplitLineOpts(is_show=True),
)
)
.render("C:\\Users\\86177\\Desktop\\line.html")
)
–> 輸出的結果爲：（有不理解的可以直接參考官方文檔進行繪製圖形和添加參數）
成功繪製情感傾向指標趨勢曲線折線圖，可以更直觀的看到整篇文章按句順序的情感傾向指標及趨勢：整理呈現負向，且在前小段及後大半部分負向情緒較爲明顯。