snownlp情感分析，如何获得TF和IDF的词频统计信息？

我们相信：世界是美好的，你是我也是。平行空间的世界里面，不同版本的生活也在继续...

关于词频统计功能，苏南大叔也写过几篇文章了。有现成的CountVectorizer可以使用，也可以手工统计词频。TF就是说对应词在本文中出现的次数概率，越高越好。IDF就是说对应词在其它对比文章中，出现的概率越少越好。本文使用snownlp来完成这个TF和IDF的统计需求。同时，输出snownlp赖以成名的情感指数，看看效果如何。

大家好，这里是苏南大叔的平行空间笔记本博客，这里记录苏南大叔和计算机代码的故事。本文中将试图使用snownlp来统计一下TF和IDF信息，以及情感指数sentiments。结果先说一下：惨不忍睹，且听我道来。测试环境：win10，python@3.6.8，snownlp@0.12.3。

已知的TF和IDF测试

大家可以参考下面的文章，做相关的词频统计：

• 《如何利用CountVectorizer来做词频统计》 https://seosn.com/say/python-count-vectorizer.html
• 《如何手工统计一篇文章的词频Top5分词》 https://seosn.com/say/python-tf.html
• 《用MultinomialNB多项式贝叶斯分类器进行预测》 https://seosn.com/say/sklearn-multinomialnb.html

由于代码量较大，这里就不做代码回顾分析了。

测试代码

from snownlp import SnowNLP
text = "苏南大叔今天很不高兴"
s = SnowNLP(text)
print(s.words)
print(s.tf)
print(s.idf)
print("情感倾向分数:",s.sentiments)

输出：

['苏南', '大叔', '今天', '很', '不', '高兴']
[{'苏': 1}, {'南': 1}, {'大': 1}, {'叔': 1}, {'今': 1}, {'天': 1}, {'很': 1}, {'不': 1}, {'高': 1}, {'兴': 1}]
{'苏': 1.845826690498331, '南': 1.845826690498331, '大': 1.845826690498331, '叔': 1.845826690498331, '今': 1.845826690498331, '天': 1.845826690498331, '很': 1.845826690498331, '不': 1.845826690498331, '高': 1.845826690498331, '兴': 1.845826690498331}
情感倾向分数: 0.8408882404624718

测试代码二

from snownlp import SnowNLP
s = SnowNLP([['苏南大叔', '今天','很','不','高兴','高兴','高兴'],
             ['其实', '很',"高兴","心情","愉悦","愉悦","开心"],
             ['开心','笑容满面']])
print(s.tf)
print(s.idf)

输出内容：

[{'苏南大叔': 1, '今天': 1, '很': 1, '不': 1, '高兴': 3}, {'其实': 1, '很': 1, '高兴': 1, '心情': 1, '愉悦': 2, '开心': 1}, {'开心': 1, '笑容满面': 1}]
{'苏南大叔': 0.5108256237659907, '今天': 0.5108256237659907, '很': -0.5108256237659907, '不': 0.5108256237659907, '高兴': -0.5108256237659907, '其实': 0.5108256237659907, '心情': 0.5108256237659907, '愉悦': 0.5108256237659907, '开心': -0.5108256237659907, '笑容满面': 0.5108256237659907}

print(s.sentiments)

情感指数的输出，直接报错：

TypeError: expected string or bytes-like object

词频统计

s.tf

s.idf

在测试代码一中：
代码的分词结果，看起来还是可以接受。但是TF和IDF信息，就完全不能接受了。为啥这里的统计都是以字为单位的？而不是以词为单位？而且分词结果看起来还算正常啊。大家有何见解，欢迎留言。或者是苏南大叔的理解错误，或者是苏南大叔的设置问题？

在测试代码二中：
因为传入的不是一句话，而是以分词为单位的数组。那么，TF和IDF信息看起来是能接受的，不过，为啥IDF有取负值的呢？这个算法问题，有待考证。

情感分析指数

这个是snownlp赖以成名的最重要的部分。不过，苏南大叔测试的内容，明显是表达了“不高兴”，结果指数值“0.84”，表示很积极向上，这个问题就有些迷幻操作了。

s.sentiments

测试结果似乎很不靠谱...

相关文章

• https://seosn.com/say/python-count-vectorizer.html
• https://seosn.com/say/python-tf.html
• https://seosn.com/say/sklearn-multinomialnb.html
• https://seosn.com/say/snownlp-cut.html
• https://seosn.com/say/snownlp-keywords.html

总结

snownlp测试结果不咋地，更多经验文章，请点击：

• https://seosn.com/tag/snownlp
• https://seosn.com/say/python-count-vectorizer.html

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。