因此,我试图从一家随机公司对员工进行的虚构调查中,将好的和不好的评论分开。我所拥有的只是一个数据框架,其中包含一名员工所做的评论以及他们的经理ID代码。这个想法是尝试看看有多少好的和/或坏的评论通过他们的ID与经理相关联。AB123 Hate working here4 AB124 Manager never listens
对于包含更多信
我用和对新闻标题的情绪进行了分析,结果好坏参半:我认为许多略带负面的标题都是中性的。# Vader: {'compound': 0.4588, 'pos': 0.273, 'neu': 0.727, 'neg': 0.0}
# TextBlob: Sentiment(polarity=opportunities for the coming generation, but there’s a dark side from wh
在textblob中内置的分类器非常愚蠢。它是关于电影评论的,所以我在我的上下文中创建了大量的例子(57,000个被归类为正面或负面的故事),然后用nltk.训练它--我试着用textblob来训练它,但是它总是失败的:
with open('nltk训练集的结构需要一个元组列表,第一部分是文本中单词的计数器和出现的频率。元组的第二部分是情感</
我在Python3.7上使用TextBlob包中的情感分析工具。我熟悉它和understand that it works on a basis of 3 values:极性、主观性和强度。极性和主观性是TextBlob('string').sentiment的标准输出,但遗憾的是TextBlob('string').intensity没有成功。有什么线索吗?
我需要你的帮助,因为我尝试了每种方法,但无法使用TextBlob对从dataframe中的推文中提取的名词短语执行情感分析。另外,我认为TextBlob.noun_phrases函数没有产生正确的结果。您可以在下图中亲自查看。我真的是Python新手,请帮帮我!所以我从dataframe中提取名词短语的代码是: from textblob import TextBlob</