Analiza sentymentu

Analiza danych z mediów społecznościowych w Pythonie

Alex Hanna

Computational Social Scientist

Czym jest analiza sentymentu?

Metoda
- Zliczanie słów pozytywnych/negatywnych w dokumencie
- Ocena ogólnego wydźwięku dokumentu
Zastosowania
- Analiza reakcji na firmę, produkt, polityka lub politykę

Narzędzia do analizy sentymentu

VADER SentimentIntensityAnalyzer()
- Część biblioteki Natural Language Toolkit (nltk)
- Dobrze sprawdza się przy krótkich tekstach, np. tweetach
- Mierzy sentyment konkretnych słów (np. angry, happy)
- Uwzględnia też emoji (😀) i pisownię wielką literą (Nice vs NICE)

Implementacja analizy sentymentu

from nltk.sentiment.vader import SentimentIntensityAnalyzer

sid = SentimentIntensityAnalyzer()

sentiment_scores = tweets['text'].apply(sid.polarity_scores)

Interpretacja wyników sentymentu

Czytanie tweetów w ramach procesu
- Czy wynik ma trafność fasadową? (czy odpowiada intuicji dotyczącej pozytywności/negatywności?)

Interpretacja wyników sentymentu

tweet1 = 'RT @jeffrey_heer: Thanks for inviting me, and thanks 
for the lovely visualization of the talk! ...'
print(sid.polarity_scores(tweet1))

{'neg': 0.0, 'neu': 0.496, 'pos': 0.504, 'compound': 0.9041}

tweet2 = 'i am having problems with google play music'
print(sid.polarity_scores(tweet2)

{'neg': 0.267, 'neu': 0.495, 'pos': 0.238, 'compound': -0.0772}

Obliczanie średnich wartości sentymentu

sentiment = sentiment_scores.apply(lambda x: x['compound'])

sentiment_fb = sentiment[check_word_in_tweet('facebook', tweets)]
                    .resample('1 min').mean()
sentiment_gg = sentiment[check_word_in_tweet('google', tweets)]
                    .resample('1 min').mean()

Wizualizacja wyników sentymentu

plt.plot(
    sentiment_fb.index.minute, 
    sentiment_fb, color = 'blue'
    )
plt.plot(
    sentiment_g.index.minute, 
    sentiment_gg, color = 'green'
    )   
plt.xlabel('Minute')
plt.ylabel('Sentiment')
plt.title('Sentiment of companies')
plt.legend(('Facebook', 'Google'))
plt.show()

Sentyment: Facebook vs. Google

Czas na ćwiczenia!

Analiza danych z mediów społecznościowych w Pythonie