2023年第三届中国高校大数据挑战赛第二场赛题C：用户对博物馆评论的情感分析（附上代码与详细视频讲解）

问题重述：

博物馆是公共文化服务体系的重要组成部分。国家文物局发布， 2021 年我国新增备案博物馆 395 家，备案博物馆总数达 6183 家，排名全球前列；5605 家博物馆实现免费开放，占比达 90%以上；全国博物馆举办展览 3.6 万个，教育活动 32.3 万场；虽受疫情影响，全国

博物馆仍接待观众 7.79 亿人次。

但在总体繁荣业态下，一些地方博物馆仍存在千馆一面、公共文化服务供给同质化的尴尬局面，在发展定位、体系布局、功能发挥等方面尚需完善提升。这给博物馆基于自身特色进一步迈向真正的公共性提出了新课题，也即坚持守正创新，坚持直面公众和社会的公共文化服务的创造性转化、创新性发展。

为了提升博物馆公共服务水平，课题组收集大众点评平台上用户对南京市朝天宫、瞻园、甘熙宅第、江宁织造博物馆和六朝博物馆五个博物馆的点评数据，数据字段主要包括：用户编号、评论内容、评论时间等。

问题1：针对每位用户的评论，建立情感判别模型，判断评论内容的情感正反方向，输出评论内容的情感方向为正面、中立、负面， 并统计每个博物馆历史评论各个方向情感的比例分布情况。

问题 2：综合考虑评论内容中情感词、程度副词、否定词、标点符合等等影响情感方向的指标，建立情感得分评价模型，得到每位户评论的情感得分，并基于得分对五个博物馆进行客观排名。

问题 3：针对每位用户评论的内容，可通过事件抽取或实体抽取算法，从评论内容中抽取影响用户情感的关键事件或因素，如某用户评论“非常不错！环境高大上！好多是最近房地产开发盖新房子时新挖出来的，不错“，可得知该评论为正面情感，影响其正面评价的是” 房地产开发盖新房子时新挖的“、”环境高大上“两个因素。基于上述抽取的关键事件或影响因素，综合分析得到影响用户对五个博物馆情感的影响因素

问题 4：基于上述分析得到的数据结果，为五个博物馆撰写一段提升公共服务水平的可行性建议，建议要有理有据，且具有一定的可操作性。

问题分析

1. 建立情感判别模型，对评论内容的情感方向进行分类（正面、中立、负面），并统计每个博物馆历史评论各个方向情感的比例。
2. 建立情感得分评价模型，考虑情感词、程度副词、否定词、标点符号等因素，为每条评论打分，并基于得分对博物馆进行排名。
3. 通过事件抽取或实体抽取算法，从评论中抽取影响用户情感的关键事件或因素，分析影响用户情感的因素。
4. 基于以上分析，为五个博物馆提出提升公共服务水平的可行性建议。

解题代码

使用python脚本对数据集进行分析

import pandas as pd

# 加载数据
data_path = '数据-五个博物馆评论内容.xlsx'
df = pd.read_excel(data_path)

# 数据清洗
# 转换评论星级至正确的比例
df['评论星级（抓取的数据/10=评论星级）'] = df['评论星级（抓取的数据/10=评论星级）'].apply(lambda x: x / 10)

# 确保所有文本字段都是字符串类型
df['评论内容'] = df['评论内容'].astype(str)

# 处理时间数据，这里简单示例，实际情况可能需要根据时间数据的具体乱码情况做更复杂的处理
# 假设我们只是转换时间格式，并忽略乱码问题
df['时间（部分时间有乱码，或无法抓取，是平台后端问题，爬虫无法解决）'] = pd.to_datetime(df['时间（部分时间有乱码，或无法抓取，是平台后端问题，爬虫无法解决）'], errors='coerce')

# 查看处理后的数据
print(df.head())

# 注意：这里的时间处理仅为示例，根据实际乱码情况可能需要更详细的处理步骤

对于“赞”和“回应”这样的字段，NaN可能表示没有人点赞或回应。在进行数据分析时，我们可以选择将这些NaN值替换为0，表示“没有赞”或“没有回应”，而不是直接删除这些记录。这样，我们可以保留更多的评论数据进行分析，因为评论内容本身对于情感分析来说是最重要的。

# 处理NaN值，将“赞”和“回应”字段中的NaN替换为0
df['赞'].fillna(0, inplace=True)
df['回应'].fillna(0, inplace=True)

# 确认整个数据集处理情况
print(df.describe())  # 展示数据的统计概况来确认处理范围

# 对整个DataFrame按情感分数排序
df_sorted = df.sort_values(by='情感分数', ascending=False)

# 显示情感分数最高的评论
print("最积极的评论：")
print(df_sorted.iloc[0])

# 显示情感分数最低的评论
print("\n最消极的评论：")
print(df_sorted.iloc[-1])

# 如果想显示更多的积极或消极评论，可以调整iloc的索引，例如使用df_sorted.iloc[:5]来查看前5个最积极的评论

import jieba

# 自定义情感词典、程度副词典和否定词典
sentiment_dict = {
    "好": 1,
    "高兴": 2,
    "喜欢": 2,
    "棒": 2,
    "不错": 1,
    "差": -2,
    "失望": -2,
    "糟": -2,
    "讨厌": -2,
}

degree_dict = {
    "非常": 1.5,
    "很": 1.2,
    "稍微": 0.8,
    "一点": 0.5,
}

negation_dict = {
    "不": -1,
    "没": -1,
    "无": -1,
}

# 情感得分计算函数
def calculate_sentiment_score(text):
    words = list(jieba.cut(text))
    score = 0
    negation = 1
    degree = 1
    
    for word in words:
        if word in negation_dict:
            negation = -1
        elif word in degree_dict:
            degree = degree_dict[word]
        elif word in sentiment_dict:
            score += sentiment_dict[word] * negation * degree
            # Reset negation and degree
            negation = 1
            degree = 1
            
    return score

# 测试代码
comments = [
    "非常喜欢这个博物馆，展览很棒",
    "不是很好，稍微有点失望",
    "没那么差，但也没有很好",
    "真的很讨厌，完全失望",
]

for comment in comments:
    print(f"评论: {comment}, 情感得分: {calculate_sentiment_score(comment)}")

import pandas as pd
import jieba


xls = pd.ExcelFile(data_path)

all_museums_df_list = []

for sheet_name in xls.sheet_names:
    df = pd.read_excel(xls, sheet_name=sheet_name)
    df['评论内容'] = df['评论内容'].astype(str)  # 确保评论内容为字符串
    df['情感得分'] = df['评论内容'].apply(calculate_sentiment_score)
    df['博物馆名称'] = sheet_name
    all_museums_df_list.append(df)

all_museums_df = pd.concat(all_museums_df_list, ignore_index=True)

museum_avg_sentiment = all_museums_df.groupby('博物馆名称')['情感得分'].mean()
museum_ranking = museum_avg_sentiment.sort_values(ascending=False)

print("博物馆情感得分排名：")
print(museum_ranking)

import matplotlib.pyplot as plt

# 已给出的博物馆情感得分排名数据
museum_names = ["江宁织造博物馆", "六朝博物馆", "甘熙宅第", "瞻园", "朝天宫"]
sentiment_scores = [0.557347, 0.539564, 0.454345, 0.425397, 0.335504]
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
# 绘图
plt.figure(figsize=(10, 6))
plt.barh(museum_names, sentiment_scores, color='skyblue')
plt.xlabel('平均情感得分')
plt.title('博物馆情感得分排名')
plt.gca().invert_yaxis()  # 让最高得分的博物馆显示在最上面
plt.grid(axis='x')

# 显示图形
plt.show()

import pandas as pd
import jieba.analyse



# 初始化一个空字典来存储每个博物馆的关键词
museum_keywords = {}

# 遍历每个sheet
for sheet_name in xls.sheet_names:
    df = pd.read_excel(xls, sheet_name=sheet_name)
    df['评论内容'] = df['评论内容'].astype(str)  # 确保评论内容为字符串类型
    
    # 初始化一个列表来存储当前博物馆的所有关键词
    keywords_list = []
    
    # 提取每条评论的关键词
    for text in df['评论内容']:
        keywords = jieba.analyse.extract_tags(text, topK=5)
        keywords_list.extend(keywords)
    
    # 存储当前博物馆的关键词
    museum_keywords[sheet_name] = keywords_list

# 汇总分析结果
for museum, keywords in museum_keywords.items():
    print(f"博物馆: {museum}, 关键词: {set(keywords)}")

详细的视频讲解（代码文件内附视频讲解）