（7-4-4）跨语言情感分析：酒店用户情感分析系统

码农三叔

已于 2024-09-11 08:15:50 修改

阅读量909

点赞数 18

分类专栏：《NLP算法实战》文章标签： python 开发语言机器学习强化学习人工智能算法

于 2024-04-01 15:16:44 首次发布

本文链接：https://blog.csdn.net/asd343442/article/details/137234173

版权

（30）通过下面代码进行时间序列分析时，专门针对2019年的数据进行了情感随时间的变化图表绘制。

date_sentiment_2019 = df_2019.groupby(df_2019['date'].dt.date)['polarity'].mean()

plt.figure(figsize=(12, 6))
date_sentiment_2019.plot()
plt.title('Sentiment Over Time (2019)')
plt.xlabel('Date')
plt.ylabel('Mean Sentiment')
plt.grid(True)
plt.show()

执行后会绘制2019年情感随时间的变化图，如图7-13所示。

图7-13 2019年情感随时间的变化图

总的来说，在2019年的前八个月里，酒店的客人对他们的体验感到满意，大部分时间内情感均值都保持在正数水平以上。然而，在一月到八月期间，情感均值略微下降。

这一结论表明，酒店的客人在2019年的初期经历中感到满意，大部分时间内他们对酒店的评价都是积极的。不过，在年初到八月期间，可能存在一些情感上的波动，这可能受到季节性或特定事件的影响。综合来看，客户的整体满意度是积极的，但需要留意情感波动的原因。这些观察结果对于改进服务和满足客户需求非常有价值。

（31）分析不同地点的评论情感均值，并将其按照均值从高到低排序，然后选择了情感均值最高的前10个地点和情感均值最低的前10个地点，最后绘制了这些地点的情感均值水平的水平条形图。

location_sentiment = df.groupby('Location')['polarity'].mean()

location_sentiment = location_sentiment.sort_values()

top = location_sentiment.tail(10)
bottom = location_sentiment.head(10)

new_locations = pd.concat([top, bottom])

plt.figure(figsize=(10, 6))
new_locations.plot(kind='barh')
plt.title('Mean Sentiment Across Locations (Top 10 and Bottom 10)')
plt.xlabel('Mean Sentiment')
plt.ylabel('Location')
plt.show()

这段代码的目的是通过可视化不同地点的评论情感均值，帮助了解客户对不同地点的满意度。水平条形图显示了顶部10个和底部10个地点的情感均值，可以用于比较不同地点之间的客户情感评价。这有助于酒店或公司了解哪些地点在客户满意度方面表现出色，哪些需要改进。

上述代码的实现流程如下：

首先，使用 df.groupby('Location')['polarity'].mean() 对数据框 df 进行分组，计算每个地点的评论情感极性均值。这将创建一个包含地点和情感均值的数据框。
使用 location_sentiment.sort_values() 将地点按照情感均值从低到高进行排序。
使用 location_sentiment.tail(10) 选择情感均值最高的前10个地点，即排名前10的地点。
使用 location_sentiment.head(10) 选择情感均值最低的前10个