怎么用Python进行数据分析-创新互联

这篇文章主要讲解了“怎么用Python进行数据分析”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“怎么用Python进行数据分析”吧！

创新互联建站专注为客户提供全方位的互联网综合服务，包含不限于成都网站制作、网站建设、外贸网站建设、昂仁网络推广、小程序设计、昂仁网络营销、昂仁企业策划、昂仁品牌公关、搜索引擎seo、人物专访、企业宣传片、企业代运营等，从售前售中售后，我们都将竭诚为您服务，您的肯定，是我们大的嘉奖；创新互联建站为所有大学生创业者提供昂仁建站搭建服务，24小时服务热线：18982081108，官方网址：www.cdcxhl.com

评论情感倾向

先调用百度AI来分析微博和b站的评论情感倾向。

知乎的回答字数过多，做情感分析肯定不准确，就没做分析。

from aip import AipNlp
""" 你的 APPID AK SK """
APP_ID = '你的APP_ID'
API_KEY = '你的API_KEY'
SECRET_KEY = '你的SECRET_KEY '
client = AipNlp(APP_ID, API_KEY, SECRET_KEY)
text = "XXXXXXXX"
""" 调用词法分析 """
response = client.sentimentClassify(text)
# "sentiment":2,    //表示情感极性分类结果  0:负向，1:中性，2:正向
# "confidence":0.40, //表示分类的置信度
# "positive_prob":0.73, //表示属于积极类别的概率
# "negative_prob":0.27  //表示属于消极类别的概率
for info in response['items']:
    if info ['sentiment'] == 2:
        print("正向")
    if info ['sentiment'] == 0:
        print("负向")
    if info['sentiment'] == 1:
        print("中性")
    print("可信度：",info['confidence'])
    print("属于积极类别的概率是：",info['positive_prob'])
    print("属于消极类别的概率是：",info['negative_prob'])

需要注意的是，在各个平台评论最多的“奔涌吧，后浪！”，在百度AI中是个消极句子，需要特殊处理。

结果如下：

怎么用Python进行数据分析

非常明显，b站的弹幕正向居多，而微博的评论负向居多。

词云

通过上文的情感分析，各家平台的用户对于《后浪》的态度各异，他们又是如何评价的呢？

统计评论和回答中的高频词，制作词云看一下吧。

from scipy.misc import imread
from wordcloud import WordCloud, ImageColorGenerator

isCN = 1 # 0：英文分词  1：中文分词
back_coloring_path = '浪花.jpg'          # 设置背景图片路径
text_path = 'reviews.txt'               # 设置要分析的文本路径
stopwords_path = 'stop_word.txt'        # 停用词词表
imgname1 = '词云图.png'  # 保存的图片名字1(只按照背景图片形状) 
back_coloring = imread(back_coloring_path)     # 设置背景图片 

wc = WordCloud(#font_path = font_path          # 设置字体
                font_path='C:\Windows\Fonts\simfang.ttf',
                #font_path='hanyiqihei.ttf',
                background_color = 'white',    # 设置背景颜色
                max_words = 3000,              # 设置显示的大词数
                mask = back_coloring,          # 设置背景图片
                max_font_size = 200,           # 设置字体大值
                min_font_size = 20,             # 设置字体最小值
                random_state = 42,             # 随机有N种配色方案
                width = 2000 , height = 1720 ,margin = 4 )
words = {}
for i in word_counts:
    words['{}'.format(i[0])] = i[1]
    
wc.generate_from_frequencies(words) 
# txt_freq例子为 { word1: fre1, word2: fre2,  word3: fre3,......,  wordn: fren }

plt.figure()