浙江疫情（疫情防控） _疫情

思来想去，虽然很忙，但还是挤时间针对这次肺炎疫情写个Python大数据分析系列博客，包括网络爬虫、可视化分析、GIS地图显示、情感分析、舆情分析、主题挖掘、威胁情报溯源、知识图谱、预测预警及AI和NLP应用等。希望该系列线上远程教学对您有所帮助，也希望早点战胜病毒，武汉加油、湖北加油、全国加油。待到疫情结束樱花盛开，这座英雄的城市等你们来。
首先说声抱歉，最近一直忙着学习安全知识，其他系列文章更新较慢，已经有一些人催更了。言归正传，前文分享了疫情相关新闻数据爬取，并进行中文分词处理及文本聚类、LDA主题模型分析。这篇文章将抓取微博话题及评论信息，采用SnowNLP进行简单的情感分析及文本挖掘，包括随时间的情感分布。希望这篇基础性文章对您有所帮助，也非常感谢参考文献中老师的分享，一起加油，战胜疫情！如果您有想学习的知识或建议，可以给作者留言~

文章插图

文章插图
一.微博话题数据抓取微博网址： https://m.weibo.cn/
1.爬虫解析
第一步，进入微博审查元素，定位评论对应节点，后续抓取评论信息。
进入微博后，点击《战疫情》主题下，并随便选择一个动态进行分析，我就选择了“央视新闻网”的一条动态“https://m.weibo.cn/detail/4471652190688865”进行分析。

文章插图
我们刚打开该话题的时候，它显示的是187条评论，但是在审查时可以看到文章中的20个div，并且每个div中装载一条评论，每个页面原始就只能显示20条评论。

文章插图

当我们把鼠标不断向下滑动的过程中，网页元素中的div也不断随评论的增加而增加，当活动到底部时，所有评论都加载出来了。初步判断该网页属于ajax加载类型，所以先就不要考虑用requests请求服务器了。
第二步，获取Ajax加载的动态链接数据，通过发布id定位每条话题。
这些数据都是通过Ajax动态加载的，点击到《战疫情》主题，发现它的URL并没有变化，具体浏览几篇文章后发现，它的的部分URL都是统一的，文章链接 = ‘https://m.weibo.cn/detail/’+发布时的id，可以通过刚找到的 id 在浏览器中拼接试试。

文章插图
比如下图所示的微博内容。比如：https://m.weibo.cn/detail/4472846740547511

文章插图
第三步，下拉网页动态刷新数据，发现获取多个page的规律。
接下来是获取它下一个加载数据的通道，同样是通过抓包的方式获取，不断的下拉网页，加载出其他的Ajax数据传输通道，再进行对比。可以很明显的看出，它的当前链接就只是带上了 “&page=当前数字” 的标签，并且每次加载出18篇动态文章。

文章插图
查看元素信息如下图所示，每个page显示18个微博话题。

文章插图

第四步，调用json.loads()函数或在线网站解析Json数据。
拿到的数据是json格式，再提取信息前需要把str文本转化为json数据，进行查找，可以使用json库查看它的结构，也可以在线json解析查看它的结构，更推荐在线解析，方法结构比较清晰。
在线解析后的结果，简单的给它打上标签，每一个等级为一块，一级包括二级和三级，二级包括三级… 然后通过前面的标签进行迭代输出，索引出来。在线网站：https://www.json.cn/
第五步，获取每条微博的ID值。
调用方法如下，然后把拿到的id加在https://m.weibo.cn/detail/ 的后面就可以访问具体的文章了。

import requestsapi_url = 'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_600059_-_ctg1_600059'reponse = requests.get(api_url)for json in reponse.json()['data']['statuses']:comment_ID = json['id']print (comment_ID)

文章插图
此时提取所有链接代码如下：

import requests,timefrom fake_useragent import UserAgentcomment_urls = []def get_title_id():'''爬取战疫情首页的每个主题的ID'''for page in range(1,3):# 这是控制ajax通道的量headers = {"User-Agent" : UserAgent().chrome #chrome浏览器随机代理}time.sleep(2)# 该链接通过抓包获得api_url = 'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_600059_-_ctg1_600059&page=' + str(page)print (api_url)rep = requests.get(url=api_url, headers=headers)for json in rep.json()['data']['statuses']:comment_url = 'https://m.weibo.cn/detail/' + json['id']print (comment_url)comment_urls.append(comment_url)get_title_id()

输出结果如下：

https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_600059_-_ctg1_600059&page=1https://m.weibo.cn/detail/4472725286834498https://m.weibo.cn/detail/4472896510211624https://m.weibo.cn/detail/4472846892243445https://m.weibo.cn/detail/4472901455185821https://m.weibo.cn/detail/4472856669039437https://m.weibo.cn/detail/4472897055545751https://m.weibo.cn/detail/4472891342667233https://m.weibo.cn/detail/4472879381479272https://m.weibo.cn/detail/4472889565122923https://m.weibo.cn/detail/4472884950738226https://m.weibo.cn/detail/4472883461527008https://m.weibo.cn/detail/4472904014106917......

第六步，调用requests ajax 爬取更多信息。
现在需要获取更多的信息，如用户id、性别之类的，这不是selenium可以完成的操作了，还得使用ajax的方式获取json数据，提取详细的信息。这里有个字段是max_id，我们需要在上一个json文件底部找到该值。

目标：话题链接、话题内容、楼主ID、楼主昵称、楼主性别、发布日期、发布时间、转发量、评论量、点赞量、评论者ID、评论者昵称、评论者性别、评论日期、评论时间、评论内容

第一个通道

文章插图

现在可以预测下一个max_id
成功的通过上一个通道拿到了下一个通道的max_id，现在就可以使用ajax加载数据了。现在可以预测

文章插图
2.爬虫完整代码

# -*- coding: utf-8 -*-import requests,random,reimport timeimport osimport csvimport sysimport jsonimport importlibfrom fake_useragent import UserAgentfrom lxml import etreeimportlib.reload(sys)startTime = time.time() #记录起始时间#--------------------------------------------文件存储-----------------------------------------------------path = os.getcwd() + "/weiboComments.csv"csvfile = open(path, 'a', newline='', encoding = 'utf-8-sig')writer = csv.writer(csvfile)#csv头部writer.writerow(('话题链接','话题内容','楼主ID', '楼主昵称', '楼主性别','发布日期','发布时间', '转发量','评论量','点赞量', '评论者ID', '评论者昵称','评论者性别', '评论日期', '评论时间','评论内容')) #设置headesheaders = {'Cookie': '_T_WM=22822641575; H5_wentry=H5; backURL=https://m.weibo.cn/; ALF=1584226439; MLOGIN=1; SUBP=0033WrSXqPxfM725Ws9jqgMF55529P9D9W5RJaVYrb.BEuOvUQ8Ca2OO5JpX5K-hUgL.FoqESh-7eKzpShM2dJLoIp7LxKML1KBLBKnLxKqL1hnLBoMceoBfeh2EeKBN; SCF=AnRSOFp6QbWzfH1BqL4HB8my8eWNC5C33KhDq4Ko43RUIzs6rjJC49kIvz5_RcOJV2pVAQKvK2UbAd1Uh6j0pyo.; SUB=_2A25zQaQBDeRhGeBM71cR8SzNzzuIHXVQzcxJrDV6PUJbktAKLXD-kW1NRPYJXhsrLRnku_WvhsXi81eY0FM2oTtt; SUHB=0mxU9Kb_Ce6s6S; SSOLoginState=1581634641; WEIBOCN_FROM=1110106030; XSRF-TOKEN=dc7c27; M_WEIBOCN_PARAMS=oid%3D4471980021481431%26luicode%3D20000061%26lfid%3D4471980021481431%26uicode%3D20000061%26fid%3D4471980021481431','Referer': 'https://m.weibo.cn/detail/4312409864846621','User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.100 Safari/537.36','X-Requested-With': 'XMLHttpRequest'}#-----------------------------------爬取战疫情首页的每个主题的ID------------------------------------------comments_ID = []def get_title_id():for page in range(1,21):#每个页面大约有18个话题headers = {"User-Agent" : UserAgent().chrome #chrome浏览器随机代理}time.sleep(1)#该链接通过抓包获得api_url = 'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_600059_-_ctg1_600059&page=' + str(page)print(api_url)rep = requests.get(url=api_url, headers=headers)#获取ID值并写入列表comment_ID中for json in rep.json()['data']['statuses']:comment_ID = json['id']comments_ID.append(comment_ID)#-----------------------------------爬取战疫情每个主题的详情页面------------------------------------------def spider_title(comment_ID):try:article_url = 'https://m.weibo.cn/detail/'+ comment_IDprint ("article_url = ", article_url)html_text = requests.get(url=article_url, headers=headers).text#话题内容find_title = re.findall('.*?"text": "(.*?)",.*?', html_text)[0]title_text = re.sub('<(S*?)[^>]*>.*?|<.*? />', '', find_title) #正则匹配掉html标签print ("title_text = ", title_text)#楼主IDtitle_user_id = re.findall('.*?"id": (.*?),.*?', html_text)[1]print ("title_user_id = ", title_user_id)#楼主昵称title_user_NicName = re.findall('.*?"screen_name": "(.*?)",.*?', html_text)[0]print ("title_user_NicName = ", title_user_NicName)#楼主性别title_user_gender = re.findall('.*?"gender": "(.*?)",.*?', html_text)[0]print ("title_user_gender = ", title_user_gender)#发布时间created_title_time = re.findall('.*?"created_at": "(.*?)".*?', html_text)[0].split(' ')#日期if 'Mar' in created_title_time:title_created_YMD = "{}/{}/{}".format(created_title_time[-1], '03', created_title_time[2])elif 'Feb' in created_title_time:title_created_YMD = "{}/{}/{}".format(created_title_time[-1], '02', created_title_time[2])elif 'Jan' in created_title_time:title_created_YMD = "{}/{}/{}".format(created_title_time[-1], '01', created_title_time[2])else:print ('该时间不在疫情范围内，估计数据有误！URL = ')passprint ("title_created_YMD = ", title_created_YMD)#发布时间add_title_time = created_title_time[3]print ("add_title_time = ", add_title_time)#转发量reposts_count = re.findall('.*?"reposts_count": (.*?),.*?', html_text)[0]print ("reposts_count = ", reposts_count)#评论量comments_count = re.findall('.*?"comments_count": (.*?),.*?', html_text)[0]print ("comments_count = ", comments_count)#点赞量attitudes_count = re.findall('.*?"attitudes_count": (.*?),.*?', html_text)[0]print ("attitudes_count = ", attitudes_count)comment_count = int(int(comments_count) / 20) #每个ajax一次加载20条数据position1 = (article_url, title_text, title_user_id, title_user_NicName,title_user_gender, title_created_YMD, add_title_time, reposts_count, comments_count, attitudes_count, " ", " ", " ", " "," ", " ")#写入数据writer.writerow((position1))return comment_countexcept:pass#-------------------------------------------------抓取评论信息---------------------------------------------------#comment_ID话题编号def get_page(comment_ID, max_id, id_type):params = {'max_id': max_id,'max_id_type': id_type}url = ' https://m.weibo.cn/comments/hotflow?id={}&mid={}&max_id'.format(comment_ID, comment_ID)try:r = requests.get(url, params=params, headers=headers)if r.status_code == 200:return r.json()except requests.ConnectionError as e:print('error', e.args)pass#-------------------------------------------------抓取评论item最大值---------------------------------------------------def parse_page(jsondata):if jsondata:items = jsondata.get('data')item_max_id = {}item_max_id['max_id'] = items['max_id']item_max_id['max_id_type'] = items['max_id_type']return item_max_id#-------------------------------------------------抓取评论信息---------------------------------------------------def write_csv(jsondata):for json in jsondata['data']['data']:#用户IDuser_id = json['user']['id']# 用户昵称user_name = json['user']['screen_name']# 用户性别,m表示男性，表示女性user_gender = json['user']['gender']#获取评论comments_text = json['text']comment_text = re.sub('<(S*?)[^>]*>.*?|<.*? />', '', comments_text) #正则匹配掉html标签# 评论时间created_times = json['created_at'].split(' ')if 'Feb' in created_times:created_YMD = "{}/{}/{}".format(created_times[-1], '02', created_times[2])elif 'Jan' in created_times:created_YMD = "{}/{}/{}".format(created_times[-1], '01', created_times[2])else:print ('该时间不在疫情范围内，估计数据有误！')passcreated_time = created_times[3] #评论时间时分秒#if len(comment_text) != 0:position2 = (" ", " ", " ", " "," ", " ", " ", " ", " ", " ", user_id, user_name, user_gender, created_YMD, created_time, comment_text)writer.writerow((position2))#写入数据#print (user_id, user_name, user_gender, created_YMD, created_time)#-------------------------------------------------主函数---------------------------------------------------def main():count_title = len(comments_ID)for count, comment_ID in enumerate(comments_ID):print ("正在爬取第%s个话题，一共找到个%s话题需要爬取"%(count+1, count_title))#maxPage获取返回的最大评论数量maxPage = spider_title(comment_ID)print ('maxPage = ', maxPage)m_id = 0id_type = 0if maxPage != 0: #小于20条评论的不需要循环try:#用评论数量控制循环for page in range(0, maxPage):#自定义函数-抓取网页评论信息jsondata = https://www.hedan60.com/baike2/get_page(comment_ID, m_id, id_type)#自定义函数-写入CSV文件write_csv(jsondata)#自定义函数-获取评论item最大值results = parse_page(jsondata)time.sleep(1)m_id = results['max_id']id_type = results['max_id_type']except:passprint ("--------------------------分隔符---------------------------")csvfile.close()if __name__ == '__main__':#获取话题IDget_title_id()#主函数操作main()#计算使用时间endTime = time.time()useTime = (endTime-startTime) / 60print("该次所获的信息一共使用%s分钟"%useTime)

保存数据截图如下图所示：

文章插图
下图时抓取的话题页面网址，每个页面包括18个话题。

文章插图
接着抓取每个话题的内容，如下所示：

正在爬取第1个话题，一共找到个361话题需要爬取article_url =https://m.weibo.cn/detail/4484575189181757title_text =【#国家卫健委回应健康码互通互认#】国家卫生健康委规划司司长毛群安：目前全国低风险县域已占98%，各省份正在按照统一的数据格式标准和内容要求，加快向全国一体化平台汇聚本地区防疫健康信息的目录 。截至目前，#全国绝大多数健康码可实现一码通行# 。人民日报的微博视频 title_user_id =2803301701title_user_NicName =人民日报title_user_gender =m该时间不在疫情范围内，估计数据有误！URL = maxPage =None--------------------------分隔符---------------------------正在爬取第2个话题，一共找到个361话题需要爬取article_url =https://m.weibo.cn/detail/4484288164243251title_text =法国网友自称自己成了长发公主，度过了居家隔离后的第三天.....#全球疫情##法国疫情# 法国囧事的微博视频 title_user_id =2981906842title_user_NicName =法国囧事title_user_gender =m该时间不在疫情范围内，估计数据有误！URL = maxPage =None--------------------------分隔符---------------------------正在爬取第3个话题，一共找到个361话题需要爬取article_url =https://m.weibo.cn/detail/4484492666507389title_text =#全球疫情# #意大利疫情# #意大利# “罗马还有其他四处的药店都遭到了抢劫 。我们遭受到的是持械抢劫 。“这是一位罗马药店药剂师的陈述 。她说，在当前疫情的危机情况下，我们处在两难困境之中：受到抢劫和疾病的双重威胁 。疫情之下，意大利口罩告急，价格飙高 。市民认为是药店不卖，而真实情况是药店真的没有，而供货商又抬高了价格 。药店处在两难境地 。这位药剂师道出了自己的苦衷，冒着危险还在工作，与医护人员一样，都是奋斗在一线做出牺牲的人 。呼吁民众理解，也请求大家的帮助 。Nita大呵呵的微博视频title_user_id =6476189426title_user_NicName =Nita大呵呵title_user_gender =f该时间不在疫情范围内，估计数据有误！URL = maxPage =None

最终抓取360个疫情话题内容。

文章插图
注意：该爬虫评论写入功能需要改进下，且只能抓取当天的“战疫情”话题及评论，如果想针对某个突发事件进行一段时间的分析，建议每天定时运行该程序，从而形成所需的数据集。也可以根据需求修改为热点话题的抓取，增加搜索功能等。
二.微博话题词云分析
首先，我们对文本进行简单的词云可视化分析。
1.基本用法
词云分析主要包括两种方法：
调用WordCloud扩展包画图（兼容性极强，之前介绍过）
调用PyEcharts中的WordCloud子包画图（本文推荐新方法）
PyEcharts绘制词云的基础代码如下：

# coding=utf-8from pyecharts import options as optsfrom pyecharts.charts import WordCloudfrom pyecharts.globals import SymbolType# 数据words = [('背包问题', 10000),('大整数', 6181),('Karatsuba乘法算法', 4386),('穷举搜索', 4055),('傅里叶变换', 2467),('状态树遍历', 2244),('剪枝', 1868),('Gale-shapley', 1484),('最大匹配与匈牙利算法', 1112),('线索模型', 865),('关键路径算法', 847),('最小二乘法曲线拟合', 582),('二分逼近法', 555),('牛顿迭代法', 550),('Bresenham算法', 462),('粒子群优化', 366),('Dijkstra', 360),('A*算法', 282),('负极大极搜索算法', 273),('估值函数', 265)]# 渲染图def wordcloud_base() -> WordCloud:c = (WordCloud().add("", words, word_size_range=[20, 100], shape='diamond')# SymbolType.ROUND_RECT.set_global_opts(title_opts=opts.TitleOpts(title='WordCloud词云')))return c# 生成图wordcloud_base().render('词云图.html')

输出结果如下图所示，出现词频越高显示越大。

文章插图

核心代码为：
add(name, attr, value, shape=“circle”, word_gap=20, word_size_range=None, rotate_step=45)
name -> str: 图例名称
attr -> list: 属性名称
value -> list: 属性所对应的值
shape -> list: 词云图轮廓，有’circle’, ‘cardioid’, ‘diamond’, ‘triangleforward’, ‘triangle’, ‘pentagon’, ‘star’可选
word_gap -> int: 单词间隔,默认为20
word_size_range -> list: 单词字体大小范围,默认为[12,60]
rotate_step -> int: 旋转单词角度,默认为45
2.疫情词云接着我们将3月20日疫情内容复制至“data.txt”文本，经过中文分词后显示前1000个高频词的词云。代码如下：

# coding=utf-8import jiebaimport reimport timefrom collections import Counter#------------------------------------中文分词------------------------------------cut_words = ""all_words = ""f = open('C-class-fenci.txt', 'w')for line in open('C-class.txt', encoding='utf-8'):line.strip('n')seg_list = jieba.cut(line,cut_all=False)# print(" ".join(seg_list))cut_words = (" ".join(seg_list))f.write(cut_words)all_words += cut_wordselse:f.close()# 输出结果all_words = all_words.split()print(all_words)# 词频统计c = Counter()for x in all_words:if len(x)>1 and x != 'rn':c[x] += 1# 输出词频最高的前10个词print('n词频统计结果：')for (k,v) in c.most_common(10):print("%s:%d"%(k,v))# 存储数据name = time.strftime("%Y-%m-%d") + "-fc.csv"fw = open(name, 'w', encoding='utf-8')i = 1for (k,v) in c.most_common(len(c)):fw.write(str(i)+','+str(k)+','+str(v)+'n')i = i + 1else:print("Over write file!")fw.close()#------------------------------------词云分析------------------------------------from pyecharts import options as optsfrom pyecharts.charts import WordCloudfrom pyecharts.globals import SymbolType# 生成数据 word = [('A',10), ('B',9), ('C',8)] 列表+Tuplewords = []for (k,v) in c.most_common(1000):# print(k, v)words.append((k,v))# 渲染图def wordcloud_base() -> WordCloud:c = (WordCloud().add("", words, word_size_range=[20, 100], shape=SymbolType.ROUND_RECT).set_global_opts(title_opts=opts.TitleOpts(title='全国新型冠状病毒疫情词云图')))return c# 生成图wordcloud_base().render('疫情词云图.html')输出结果如下图所示，仅3月20日的热点话题内容 。

文章插图

文章插图
3.WordCloud另一种方法的代码如下：

# coding=utf-8import jiebaimport reimport sysimport timefrom collections import Counterimport matplotlib.pyplot as pltfrom wordcloud import WordCloud#------------------------------------中文分词------------------------------------cut_words = ""all_words = ""f = open('data-fenci.txt', 'w')for line in open('data.txt', encoding='utf-8'):line.strip('n')seg_list = jieba.cut(line,cut_all=False)# print(" ".join(seg_list))cut_words = (" ".join(seg_list))f.write(cut_words)all_words += cut_wordselse:f.close()# 输出结果all_words = all_words.split()print(all_words)# 词频统计c = Counter()for x in all_words:if len(x)>1 and x != 'rn':c[x] += 1# 输出词频最高的前10个词print('n词频统计结果：')for (k,v) in c.most_common(10):print("%s:%d"%(k,v))# 存储数据name = time.strftime("%Y-%m-%d") + "-fc.csv"fw = open(name, 'w', encoding='utf-8')i = 1for (k,v) in c.most_common(len(c)):fw.write(str(i)+','+str(k)+','+str(v)+'n')i = i + 1else:print("Over write file!")fw.close()#------------------------------------词云分析------------------------------------#打开本体TXT文件text = open('data.txt').read() #结巴分词 cut_all=True 设置为精准模式 wordlist = jieba.cut(text, cut_all = False) #使用空格连接 进行中文分词wl_space_split = " ".join(wordlist)#print(wl_space_split) #对分词后的文本生成词云my_wordcloud = WordCloud().generate(wl_space_split) #显示词云图plt.imshow(my_wordcloud)#是否显示x轴、y轴下标plt.axis("off")plt.show()

三.SnowNLP情感分析用法
情感分析的基本流程如下图所示，通常包括：
自定义爬虫抓取文本信息；
使用Jieba工具进行中文分词、词性标注；
定义情感词典提取每行文本的情感词；
通过情感词构建情感矩阵，并计算情感分数；
结果评估，包括将情感分数置于0.5到-0.5之间，并可视化显示。

文章插图
1.SnowNLP
SnowNLP是一个常用的Python文本分析库，是受到TextBlob启发而发明的。由于当前自然语言处理库基本都是针对英文的，而中文没有空格分割特征词，Python做中文文本挖掘较难，后续开发了一些针对中文处理的库，例如SnowNLP、Jieba、BosonNLP等。注意SnowNLP处理的是unicode编码，所以使用时请自行decode成unicode 。
Snownlp主要功能包括：
中文分词（算法是Character-Based Generative Model）
词性标注（原理是TnT、3-gram 隐马）
情感分析
文本分类（原理是朴素贝叶斯）
转换拼音、繁体转简体
提取文本关键词（原理是TextRank）
提取摘要（原理是TextRank）、分割句子
文本相似（原理是BM25）
推荐官网给大家学习。
安装和其他库一样，使用pip安装即可。
pip install snownlp

文章插图
2.中文分词下面是最简单的实例，使用SnowNLP进行中文分词，同时比较了SnowNLP和Jieba库的分词效果。

# -*- coding: utf-8 -*-from snownlp import SnowNLPs1 = SnowNLP(u"这本书质量真不太好！")print("SnowNLP:")print(" ".join(s1.words))import jiebas2 = jieba.cut(u"这本书质量真不太好！", cut_all=False)print("jieba:")print(" ".join(s2))

输出结果如下所示：

文章插图
总体感觉是SnowNLP分词速度比较慢，准确度较低，比如“不太好”这个词组，但也不影响我们后续的情感分析。
3.常见功能代码如下：

# -*- coding: utf-8 -*-from snownlp import SnowNLPs = SnowNLP(u"这本书质量真不太好！")print(u"n中文分词:")print( " ".join(s.words))print(u"n词性标注:")print(s.tags)for k in s.tags:print(k)print(u"n情感分数:")print(s.sentiments)print(u"n转换拼音:")print(s.pinyin)print(u"n输出前4个关键词:")print(s.keywords(4))for k in s.keywords(4):print(k)print(u"n输出关键句子:")print(s.summary(1))for k in s.summary(1):print(k)print(u"n输出tf和idf:")print(s.tf)print(s.idf)n = SnowNLP(u'「繁體字」「繁體中文」的叫法在臺灣亦很常見 。')print(u"n繁简体转换:")print(n.han)

s.words 输出分词后的结果，词性标注主要通过 s.tags，s.sentiments 计算情感分数，s.pinyin 转换为拼音，s.keywords(4) 提取4个关键词，s.summary(1) 输出一个关键句子，s.tf 计算TF值（频率），s.idf 计算IDF值（倒文档）。
输出结果如下所示：

>>> 中文分词:这 本书 质量 真 不 太 好 ！词性标注:[(u'u8fd9', u'r'), (u'u672cu4e66', u'r'), (u'u8d28u91cf', u'n'), (u'u771f', u'd'), (u'u4e0d', u'd'), (u'u592a', u'd'), (u'u597d', u'a'), (u'uff01', u'w')](u'u8fd9', u'r')(u'u672cu4e66', u'r')(u'u8d28u91cf', u'n')(u'u771f', u'd')(u'u4e0d', u'd')(u'u592a', u'd')(u'u597d', u'a')(u'uff01', u'w')情感分数:0.420002029202转换拼音:[u'zhe', u'ben', u'shu', u'zhi', u'liang', u'zhen', u'bu', u'tai', u'hao', u'uff01']输出前4个关键词:[u'u592a', u'u4e0d', u'u8d28u91cf', u'u771f']太不质量真输出关键句子:[u'u8fd9u672cu4e66u8d28u91cfu771fu4e0du592au597d']这本书质量真不太好输出tf和idf:[{u'u8fd9': 1}, {u'u672c': 1}, {u'u4e66': 1}, {u'u8d28': 1}, {u'u91cf': 1}, {u'u771f': 1}, {u'u4e0d': 1}, {u'u592a': 1}, {u'u597d': 1}, {u'uff01': 1}]{u'uff01': 1.845826690498331, u'u4e66': 1.845826690498331, u'u8d28': 1.845826690498331, u'u592a': 1.845826690498331, u'u4e0d': 1.845826690498331, u'u672c': 1.845826690498331, u'u91cf': 1.845826690498331, u'u8fd9': 1.845826690498331, u'u597d': 1.845826690498331, u'u771f': 1.845826690498331}繁简体转换:「繁体字」「繁体中文」的叫法在台湾亦很常见 。>>>

同样可以进行文本相似度计算，代码参考下图所示：

文章插图
情感分析SnowNLP情感分析也是基于情感词典实现的，其简单的将文本分为两类，积极和消极，返回值为情绪的概率，越接近1为积极，接近0为消极。

文章插图
下面简单给出一个情感分析的例子：

# -*- coding: utf-8 -*-from snownlp import SnowNLPs1 = SnowNLP(u"我今天很开心")print(u"s1情感分数:")print(s1.sentiments)s2 = SnowNLP(u"我今天很沮丧")print(u"s2情感分数:")print(s2.sentiments)s3 = SnowNLP(u"大傻瓜，你脾气真差，动不动就打人")print(u"s3情感分数:")print(s3.sentiments)

输出结果如下所示，当负面情感特征词越多，比如“傻瓜”、“差”、“打人”等，分数就会很低，同样当正免情感词多分数就高。
s1情感分数:0.84204018979s2情感分数:0.648537121839s3情感分数:0.0533215596706而在真实项目中，通常需要根据实际的数据重新训练情感分析的模型，导入正面样本和负面样本，再训练新模型。
sentiment.train(’./neg.txt’, ‘./pos.txt’)sentiment.save(‘sentiment.marshal’)四.SnowNLP微博情感分析实例
下面的代码是对爬取的疫情话题进行情感分析。本文将抓取的356条（其中4条仅图片）微博疫情话题信息复制至TXT文件中，每一行为一条话题，再对其进行中文分词处理。注意，这里仅仅获取序号1-356的情感分数，而其他情感分析可以进行时间对比、主题对比等，其方法和此篇文章类似，希望读者学会举一反三。

文章插图
1.情感各分数段出现频率首先统计各情感分数段出现的评率并绘制对应的柱状图，代码如下：

# -*- coding: utf-8 -*-from snownlp import SnowNLPimport codecsimport ossource = open("data.txt","r", encoding='utf-8')line = source.readlines()sentimentslist = []for i in line:s = SnowNLP(i)print(s.sentiments)sentimentslist.append(s.sentiments)import matplotlib.pyplot as pltimport numpy as npplt.hist(sentimentslist, bins = np.arange(0, 1, 0.01), facecolor = 'g')plt.xlabel('Sentiments Probability')plt.ylabel('Quantity')plt.title('Analysis of Sentiments')plt.show()

输出结果如下图所示，可以看到

文章插图
对应的分数如下：

>>>4.440892098500626e-160.490553956075208240.99999999999726350.99999986770931490.99796275863685160.99999999909595090.99998301992337690.99986993108126470.9999954477924106...

2.情感波动分析接下来分析每条评论的波动情况，代码如下所示：

# -*- coding: utf-8 -*-from snownlp import SnowNLPimport codecsimport ossource = open("data.txt","r", encoding='utf-8')line = source.readlines()sentimentslist = []for i in line:s = SnowNLP(i)print(s.sentiments)sentimentslist.append(s.sentiments)import matplotlib.pyplot as pltimport numpy as npplt.plot(np.arange(0, 356, 1), sentimentslist, 'k-')plt.xlabel('Number')plt.ylabel('Sentiment')plt.title('Analysis of Sentiments')plt.show()

输出结果如下所示，呈现一条曲线，因为抓取的评论基本都是好评，所以分数基本接近于1.0，而真实分析过程中存在好评、中评和差评，曲线更加规律。

文章插图

# -*- coding: utf-8 -*-from snownlp import SnowNLPimport codecsimport os#获取情感分数source = open("data.txt","r", encoding='utf-8')line = source.readlines()sentimentslist = []for i in line:s = SnowNLP(i)print(s.sentiments)sentimentslist.append(s.sentiments)#区间转换为[-0.5, 0.5]result = []i = 0while i<len(sentimentslist):result.append(sentimentslist[i]-0.5)i = i + 1#可视化画图import matplotlib.pyplot as pltimport numpy as npplt.plot(np.arange(0, 356, 1), result, 'k-')plt.xlabel('Number')plt.ylabel('Sentiment')plt.title('Analysis of Sentiments')plt.show()

绘制图形如下所示：

文章插图
3.情感时间分布
最后补充随时间分布的情感分数相关建议，读者可能也发现抓取的博客存在重复、时间不均衡等现象。微博数据还是非常不好抓取，数据卡住了很多人，也请读者深入分析下。
(1) 情感分析通常需要和评论时间结合起来，并进行舆情预测等，建议读者尝试将时间结合。比如王树义老师的文章《基于情感分类的竞争企业新闻文本主题挖掘》。

文章插图
(2) 情感分析也是可以进行评价的，我们前面抓取的分为5星评分，假设0-0.2位一星，0.2-0.4位二星，0.4-0.6为三星，0.6-0.8为四星，0.8-1.0为五星，这样我们可以计算它的准确率，召回率，F值，从而评论我的算法好坏。
(3) 作者还有很多情感分析结合幂率分布的知识，因为需要写文章，这里暂时不进行分享，但是这篇基础文章对初学者仍然有一定的帮助。
(4) BosonNLP也是一个比较不错的情感分析包，建议感兴趣的读者学习，它提供了相关的词典，如下：https://bosonnlp.com/dev/resource 。

文章插图
(5) 读者如果不太擅长写代码，可以尝试使用情感分析系统。http://ictclas.nlpir.org/nlpir/

文章插图

文章插图
五.总结
写到这里，第四篇疫情分析的文章就讲解完毕，希望对您有所帮助，尤其是想写文本挖掘论文的读者。后续还会分享舆情分析、威胁情报溯源、知识图谱、预测预警及AI和NLP应用等。如果文章对您有所帮助，将是我写作的最大动力。作者将源代码上传至github，大家可以直接下载。你们的支持就是我撰写的最大动力，加油~
同时，向钟院士致敬，向一线工作者致敬。侠之大者，为国为民。咱们中国人一生的最高追求，为天地立心，为生民立命，为往圣继绝学，为万世开太平。以一人之力系万民康乐，以一身犯险保大业安全。他们真是做到了，武汉加油，中国加油！

文章插图
【浙江疫情（疫情防控）】注：文章转自互联网

浙江 疫情（疫情防控）

浙江疫情（疫情防控）