LDA主题分析—情感分析案例

当然可以！以下是一个针对投诉内容进行情感分析的完整案例，包含数据准备、模型训练、情感分析以及结果展示的过程。

案例：投诉内容情感分析

步骤 1：数据准备

首先，我们准备一份包含用户投诉内容的数据集。假设数据集是一个CSV文件，包含两列：id 和 complaint。

import pandas as pd

# 读取数据
data = pd.read_csv('complaints.csv')

# 查看数据
data.head()

步骤 2：数据预处理

对文本数据进行预处理，包括分词、去停用词、词干提取等。

import nltk
from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize
from nltk.stem import WordNetLemmatizer

# 下载必要的nltk资源
nltk.download('punkt')
nltk.download('stopwords')
nltk.download('wordnet')

# 初始化
stop_words = set(stopwords.words('english'))
lemmatizer = WordNetLemmatizer()

# 预处理函数
def preprocess(text):
    # 分词
    words = word_tokenize(text.lower())
    # 去停用词和词干提取
    words = [lemmatizer.lemmatize(word) for word in words if word.isalpha() and word not in stop_words]
    return ' '.join(words)

# 预处理数据
data['clean_complaint'] = data['complaint'].apply(preprocess)

# 查看预处理后的数据
data.head()

步骤 3：情感分析

使用预训练的情感分析模型对投诉内容进行情感分类。这里使用 TextBlob 库进行情感分析。

from textblob import TextBlob

# 情感分析函数
def analyze_sentiment(text):
    analysis = TextBlob(text)
    if analysis.sentiment.polarity > 0:
        return 'positive'
    elif analysis.sentiment.polarity == 0:
        return 'neutral'
    else:
        return 'negative'

# 对预处理后的投诉内容进行情感分析
data['sentiment'] = data['clean_complaint'].apply(analyze_sentiment)

# 查看分析结果
data.head()

步骤 4：结果展示

展示情感分析的结果，包括情感分类的分布情况。

import matplotlib.pyplot as plt
import seaborn as sns

# 情感分类分布情况
plt.figure(figsize=(8, 6))
sns.countplot(x='sentiment', data=data)
plt.title('Sentiment Distribution of Complaints')
plt.xlabel('Sentiment')
plt.ylabel('Count')
plt.show()

步骤 5：保存结果

将分析结果保存到新的CSV文件中。

# 保存结果
data.to_csv('complaints_with_sentiment.csv', index=False)

代码总结

通过以上步骤，我们完成了对投诉内容的情感分析。从数据读取、预处理，到情感分析、结果展示，完整地实现了一个情感分析流程。该流程可以根据具体需求进行调整和扩展，例如使用更高级的情感分析模型（如BERT）来提高分析的准确性。