通过情感词典分析微博用户心理状态

这里我们先介绍一个python的excel的处理模块——pyexcel_xls

具体教学

微博数据源文件样式：（实际为txt文件）

文件样式：（情感词典）

1.首先是模块文件引入和导入文件

from pyexcel_xls import get_data
from pyexcel_xls import save_data
xls_data = get_data('情感词典及其分类.xls',encoding='UTF-8')

2.1363种词汇代表着不同的情感，打开需分析的txt文本，中文防止乱码，都用UTF-8打开

f = open('mongo_microblogs_main.txt','r',encoding='UTF-8')
a=[0 for i in range(1363)]
b=[0 for i in range(1363)]
negword =[]

3.将excel表的Sheet1的第1列，都导入词汇list中（第一列用0表示，所以理论上是第二列）

for i in range(1,len(xls_data['Sheet1'])):
    negword.append(xls_data['Sheet1'][i][1])        ##导入情感词汇

4.两个循环依次判断每一句所包含的情感词汇，有则+1即可

for line in f.readlines():                      #依次读取每行  
    line = line.strip()                            #去掉每行头尾空白
    line = line.split('\t')
    if(line[5][-1]=='1'):
        for nw in negword:
            if (line[1].find(nw)!=-1):
                a[negword.index(nw)]+=1
    else:
        for nw in negword:
            if (line[1].find(nw)!=-1):
                b[negword.index(nw)]+=1           
    z+=1
    print(z)

5.统计总情感。

导入sheet1的第二行。然后进行统计总情感。

分别统计2011年和2012年的微博数据，故都进行两次操作。

for i in range(1,len(xls_data['Sheet1'])-1):
    if(xls_data['Sheet1'][i][2]==xls_data['Sheet1'][i+1][2]):
        suma+=a[i]
        sumb+=b[i]
    else:
        suma+=a[i]
        sumb+=b[i]
        print(xls_data['Sheet1'][i][2]+'\t'+str(suma)+'\t'+str(sumb))
        suma=0
        sumb=0

 分析结果如下。只是进行初步分类，未来将会进行进一步分析。

3.情感分析	2010	2011年	2012年
痛苦	0	1615	71230
仇恨	0	229	25786
悲伤	0	3265	165094
忧愁	0	742	39519
烦闷	0	3116	136869
愤怒	0	8686	374781
惆怅	0	927	63350
失望	0	29	1722
不满	0	202	8930
不安	0	207	10774
惭愧	0	730	36839
心虚	0	197	10596
慌张	0	1019	51725
着急	0	567	28638
厌烦	0	73	4243
怨恨	0	413	19096
责怪	0	499	26155
委屈	0	2	130
漠视	0	382	18858
鄙视	0	1018	53472
责骂	0	461	27027
哭泣	0	45002	113558
镇定	0	740	41542
无愧	0	143	6843
满意	0	522	21314
舒畅	0	1055	59591
得意	0	6109	225859
高兴	0	37206	1401924
心静	0	0	0
喜爱	0	37	2040
喜欢	0	42	1944
喜爱	0	34549	1579667
倾心	0	271	7719
赞成	0	51030	427984
愿意	0	1467	57350
称赞	0	2547	101148
振奋	0	6081	281966
祝愿	0	2464	108254
道谢	0	9900	478722
留恋	0	56	3607
感激	0	221	12318
感动	0	351	17283
激动	0	311	14739
佩服	0	386	20570