今天我们的Python学习教程找点财经类新闻文本数据用Python来做点简单的情感分析。
一、tushare介绍
tushare库是目前比较流行的开源免费的经济数据库,tushare有普通版和高级版,其中普通版无需积分就可以使用,而高级版需要使用积分才可使用。
tushare基础班提供了包括:交易数据,如历史行情、复权数据、实时行情等
投资参考数据,如分配方案、业绩预告、限售股解禁、基金持股、新浪数据、融资融券
股票分类数据、行业、概念、地域、中小板、创业板、封校警示板生
基本面数据、股票列表、业绩报告(主表)、盈利能力、营运能力、偿债能力等
宏观经济数据,如存款利率、贷款利率、GDP数据、工业品出场价格指数、居民消费节各直属
新闻事件数据,如新浪股吧
龙虎榜数据
银行间同业拆放理论
电影票房
安装!pip3 install tushare
RunCollecting tushare[?25l Downloading https://files.pythonhosted.org/packages/a9/8b/2695ad38548d474f4ffb9c95548df126e82adb24e56e2c4f7ce1ef9fbd01/tushare-1.2.43.tar.gz (168kB)[K 100% |████████████████████████████████| 174kB 162kB/s ta 0:00:01[?25hBuilding wheels for collected packages: tushare Running setup.py bdist_wheel for tushare ... [?25ldone[?25h Stored in directory: /Users/thunderhit/Library/Caches/pip/wheels/4b/28/7b/62d7a4155b34be251c1840e7cecfa4c374812819c59edba760Successfully built tushareInstalling collected packages: tushareSuccessfully installed tushare-1.2.43[33mYou are using pip version 18.1, however version 19.2.3 is available.You should consider upgrading via the 'pip install --upgrade pip' command.[0m
二、新闻数据
新闻事件接口主要提供国内财经、证券、港股和期货方面的滚动新闻,以及个股的信息地雷数据。但目前只有新浪股吧api的接口可用,其他的需要使用tushare高级版。
获取sina财经股吧首页的重点消息。股吧数据目前获取大概17条重点数据,可根据参数设置是否显示消息内容,默认情况是不显示。
参数说明:show_content:boolean,是否显示内容,默认False
返回值说明:title, 消息标题
content, 消息内容(show_content=True的情况下)
ptime, 发布时间
rcounts,阅读次数
调用方法import tushare as ts#显示详细内容newsdata = ts.guba_sina(show_content=True)newsdata.head(10)
三、读取词典
之前制作的中文金融情感词典是csv文件格式,我们使用pandas读取import pandas as pddf = pd.read_csv('CFSD/pos.csv', encoding='gbk')df.head()
我们将读取词典定义成函数def read_dict(file, header): """ file: 词典路径 header: csv文件内字段名,如postive 读取csv词典,返回词语列表 """ df = pd.read_csv(file, encoding='gbk') return list(df[header])poswords = read_dict(file= 'CFSD/pos.csv', header = 'postive')negwords = read_dict(file= 'CFSD/neg.csv', header ='negative')negwords[:5]
run['闭门造车', '闭塞', '云里雾里', '拖累', '过热']
三、情感分析方法
这里我们对新闻content内容进行情感分析,分析的思路是统计content中正、负词的占比。我们会用到pandas的 df.agg(func)方法对content列进行文本计算。这需要先定义一个待调用的情感计算函数,注意有可能出现分母为0,所以定义的函数使用了try except捕捉0除异常,返回0. import jiebadef pos_senti(content): """ content: 待分析文本内容 返回正面词占文本总词语数的比例 """ try: pos_word_num = 0 words = jieba.lcut(content) for kw in poswords: pos_word_num += words.count(kw) return pos_word_num/len(words) except: return 0def neg_senti(content): """ content: 待分析文本内容 返回负面词占文本总词语数的比例 """ try: neg_word_num = 0 words = jieba.lcut(content) for kw in negwords: neg_word_num += words.count(kw) return neg_word_num/len(words) except: return 0
对content列分别施行情感计算函数possenti,negsenti,将得到的得分赋值给pos、neg列newsdata['pos']=newsdata['content'].agg(pos_senti)newsdata['neg']=newsdata['content'].agg(neg_senti)newsdata.head(10)
我们的数据中出现了pos和neg两个得分,我们还可以定义一个判断函数,判断文本的情绪分类。当pos比neg大,判断为'正'
当pos比neg小,判断为'负'
这里不严谨,为了教程简单,没考虑相等的情况newsdata['senti_classification'] = newsdata['pos']>newsdata['neg']newsdata['senti_classification'] = newsdata['senti_classification'].map()newsdata.head(10)
总结
其实到这儿,简单的情感计算就实现了。
另外,大家在使用本文时,一定要注意:本篇Python学习教程使用的情感词典是CFSD中文金融情感词典,大家可以用自己领域的词典,得到poswords和negwords
还有要注意的是情感计算函数(possenti和negsenti),有不同的算法就有不同的结果
正负面倾向判断,我这里比较粗糙,没有考虑相等的中性问题。
注意以上几点,本篇Python学习教程代码就可复用。不过再好的代码,前提是得会python,会懂编程思维,知道如何写代码改代码,不然大家用起来也比较困难。