Python - Análisis de sentimiento

El análisis semántico se trata de analizar la opinión general de la audiencia. Puede ser una reacción a una noticia, una película o cualquier tweet sobre algún tema en discusión. Generalmente, estas reacciones se toman de las redes sociales y se guardan en un archivo que se analizará a través de la PNL. Primero, tomaremos un caso simple de definir palabras positivas y negativas. Luego, adopte un enfoque para analizar esas palabras como parte de oraciones utilizando esas palabras. Usamos el módulo sentiment_analyzer de nltk. Primero realizamos el análisis con una palabra y luego con palabras emparejadas también llamadas bigrams. Finalmente, marcamos las palabras con sentimiento negativo como se define en elmark_negation función.

import nltk
import nltk.sentiment.sentiment_analyzer 
# Analysing for single words
def OneWord(): 
	positive_words = ['good', 'progress', 'luck']
   	text = 'Hard Work brings progress and good luck.'.split()                 
	analysis = nltk.sentiment.util.extract_unigram_feats(text, positive_words) 
	print(' ** Sentiment with one word **\n')
	print(analysis) 
# Analysing for a pair of words	
def WithBigrams(): 
	word_sets = [('Regular', 'fit'), ('fit', 'fine')] 
	text = 'Regular excercise makes you fit and fine'.split() 
	analysis = nltk.sentiment.util.extract_bigram_feats(text, word_sets) 
	print('\n*** Sentiment with bigrams ***\n') 
	print analysis
# Analysing the negation words. 
def NegativeWord():
	text = 'Lack of good health can not bring success to students'.split() 
	analysis = nltk.sentiment.util.mark_negation(text) 
	print('\n**Sentiment with Negative words**\n')
	print(analysis) 
    
OneWord()
WithBigrams() 
NegativeWord()

Cuando ejecutamos el programa anterior, obtenemos el siguiente resultado:

** Sentiment with one word **
{'contains(luck)': False, 'contains(good)': True, 'contains(progress)': True}
*** Sentiment with bigrams ***
{'contains(fit - fine)': False, 'contains(Regular - fit)': False}
**Sentiment with Negative words**
['Lack', 'of', 'good', 'health', 'can', 'not', 'bring_NEG', 'success_NEG', 'to_NEG', 'students_NEG']