Sentimentanalys

Analys av sociala medier i Python

Alex Hanna

Computational Social Scientist

Förstå sentimentanalys

Metod
- Räknar positiva/negativa ord i dokumentet
- Bedömer positivitet/negativitet i hela dokumentet
Användningsområden
- Analysera reaktioner på ett företag, produkt, politiker eller policy

Verktyg för sentimentanalys

VADER SentimentIntensityAnalyzer()
- Del av Natural Language Toolkit (nltk)
- Passar korta texter som tweets
- Mäter sentiment för enskilda ord (t.ex. angry, happy)
- Tar även hänsyn till emoji (😀) och versaler (Nice vs NICE)

Implementera sentimentanalys

from nltk.sentiment.vader import SentimentIntensityAnalyzer

sid = SentimentIntensityAnalyzer()

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

Tolka sentimentpoäng

Läs igenom tweets som en del av processen
- Har det face validity? (d.v.s. stämmer det med din bild av vad som är positivt eller negativt?)

Tolka sentimentpoäng

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}

Beräkna genomsnittligt sentiment

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()

Visualisera sentimentpoäng

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()

Sentiment för Facebook vs. Google

Nu kör vi en övning!

Analys av sociala medier i Python