本文所使用数据来自于梯田景区评价数据。

一、数据预处理

数据清洗

去除重复值、空值及无关字符（如表情符号、特殊符号等）。
提取中文文本，过滤非中文字符。
统一文本格式（如全角转半角、繁体转简体）。
中文分词与去停用词
使用 jieba 分词工具进行分词。
加载自定义词典（如景点名“多依树”“老虎嘴”等专有名词）。
去除通用停用词（如“的”“了”）和自定义停用词（如“同程”“门票”）。

情感标签分类

统计情感分布（好评、中评、差评占比）。
若数据不均衡，采用过采样（SMOTE）或调整类别权重。

二、可视化分析

词云生成

全局词云：所有评论文本的词频统计。
分情感词云：分别生成好评、中评、差评的词云，对比关键词差异。
工具：WordCloud + matplotlib。

高频词条形图

按词频排序，展示Top 20高频词。
分情感统计高频词（如好评中的“壮观”“方便”，差评中的“堵车”“贵”）。

情感分布饼图

可视化好评、中评、差评的比例。

三、特征工程

文本向量化

TF-IDF：提取文本的TF-IDF特征，生成词-文档矩阵。
Word2Vec：训练词向量模型，获取语义特征。
BERT（可选）：使用预训练模型提取深度语义特征。

情感标签编码

将“好评”“中评”“差评”映射为数值标签（如0,1,2）。

四、数据建模

分类模型（情感预测）

模型选择：逻辑回归、随机森林、SVM、LSTM（深度学习）。
输入：TF-IDF向量 + 情感标签。
输出：预测情感类别，评估准确率、F1值。

主题模型（LDA）

提取评论文本中的潜在主题，分析用户关注点（如“交通”“门票价格”“风景”）。
结合情感标签，统计不同主题的情感倾向。

情感强度分析

使用情感词典（如BosonNLP）计算每条评论的情感强度值。
分析不同情感类别的强度分布（如差评是否情绪更强烈）。

五、关键分析方向

好评驱动因素

高频词：方便、壮观、震撼、自驾、日出。
潜在主题：取票便捷、风景优美、天气影响。

差评改进点

高频词：堵车、贵、管理差、服务态度。
潜在主题：交通拥堵、门票性价比、配套设施不足。

中评矛盾点

高频词：一般、季节、不值。
潜在主题：景色依赖天气、性价比争议。
完整代码如下：

import pandas as pd
import re
import jieba
import jieba.analyse
from sklearn.model_selection import train_test_split
from imblearn.over_sampling import SMOTE
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report
# 在文件顶部导入matplotlib后添加字体配置
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = 'SimHei'  # 设置中文字体
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题
from wordcloud import WordCloud
from collections import Counter

# 数据预处理函数
def preprocess_text(text):
    # 去非中文字符（保留中文标点）
    text = re.sub(r'[^\u4e00-\u9fa5，。！？；：、]', '', str(text))
    # 合并重复标点
    text = re.sub(r'([，。！？；：、])\1+', r'\1', text)
    return text.strip()

# 加载自定义词典（需要用户提供路径）
jieba.load_userdict('custom_dict.txt')  # 请替换为实际词典路径

# 加载停用词（需要用户提供路径）
def load_stopwords(path):
    with open(path, 'r', encoding='utf-8') as f:
        return set([line.strip() for line in f])
stopwords = load_stopwords('stopwords.txt')  # 请替换为实际停用词路径

# 中文分词处理
def chinese_segment(text):
    # 确保输入为字符串
    if not isinstance(text, str):
        text = str(text)
    words = jieba.lcut(text)
    return [w for w in words if w not in stopwords and len(w) > 1]

# 生成词云函数
# 修改生成词云函数中的字体路径
def generate_wordcloud(text, title):
    wordcloud = WordCloud(
        font_path='C:/Windows/Fonts/simhei.ttf',  # 使用绝对路径确保找到字体
        background_color='white',
        width