python word2vector_python使用Word2Vec进行情感分析解析

python实现情感分析(Word2Vec)

** 前几天跟着老师做了几个项目，老师写的时候劈里啪啦一顿敲，写了个啥咱也布吉岛，线下自己就瞎琢磨，终于实现了一个最简单的项目。输入文本，然后分析情感，判断出是好感还是反感。看最终结果：↓↓↓↓↓↓

1

2

大概就是这样，接下来实现一下。

实现步骤

加载数据，预处理

数据就是正反两类，保存在neg.xls和pos.xls文件中，

数据内容类似购物网站的评论，分别有一万多个好评和一万多个差评，通过对它们的处理，变成我们用来训练模型的特征和标记。

首先导入几个python常见的库，train_test_split用来对特征向量的划分，numpy和pands是处理数据常见的库，jieba库用来分词，joblib用来保存训练好的模型，sklearn.svm是机器学习训练模型常用的库，我觉得核心的就是Word2Vec这个库了，作用就是将自然语言中的字词转为计算机可以理解的稠密向量。

from sklearn.model_selection import train_test_split

import numpy as np

import pandas as pd

import jieba as jb

from sklearn.externals import joblib

from sklearn.svm import SVC

from gensim.models.word2vec import Word2Vec

加载数据，将数据分词，将正反样本拼接，然后创建全是0和全是1的向量拼接起来作为标签，

neg =pd.read_excel("data/neg.xls",header=None,index=None)

pos =pd.read_excel("data/pos.xls",header=None,index=None)

# 这是两类数据都是x值

pos['words'] = pos[0].apply(lambda x:list(jb.cut(x)))

neg['words'] = neg[0].apply(lambda x:list(jb.cut(x)))

#需要y值 0 代表neg 1代表是pos

y = np.concatenate((np.ones(len(pos)),np.zeros(len(neg))))

X = np.con