文章目录
前言:数据处理1.1数据导入1.2数据描述1.3数据预处理
2.情感分析2.1情感分析安装snownlp包
2.2 情感分直方图情感分直方图
2.3 词云图2.4 关键词提取关键词top10
3 积极评论与消极评论3.1 积极评论与消极评论占比计算积极评论与消极评论各自的数目积极评论占比
3.2 消极评论分析获取消极评论数据**消极评论词云图****消极评论关键词top10**
结尾:
前言:
在当今数字化时代，消费者越来越倾向于在购买前查阅产品评论。京东作为中国领先的电商平台，拥有庞大的用户群体，其手机产品评论承载着丰富的信息和消费者的真实反馈。本文将对京东手机评论进行深入分析，探索其中蕴含的洞察和价值。通过对评论数据的挖掘和分析，我们将揭示消费者的偏好、产品优劣势以及市场趋势，为读者提供深入了解手机产品的视角，帮助消费者做出更明智的购买决策。
数据处理
1.1数据导入
查看前两行内容
import pandas as pd
data = pd.read_csv('/home/mw/input/jing1066/京东评论数据.csv')
data.head(2)
1.2数据描述
从整体上观察数据
data.describe()
可以看的数据的中位数，均值等常见数据
1.3数据预处理
#取出sku_id','content'字段
data1 = data[['sku_id','content']]
data1.head(10)
只拿取我们需要分析的列
2.情感分析
2.1情感分析
安装snownlp包
#安装snownlp包
!pip install snownlp
导入包
from snownlp import SnowNLP
data1['emotion'] = data1['content'].apply(lambda x:SnowNLP(x).sentiments)
data1.head(10)
data1.describe()
emotion平均值为0.74，中位数为0.96，25%分位数为0.56，可见不到25%的数据造成了整体均值的较大下移
2.2 情感分直方图
情感分直方图
#情感分直方图
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False
bins=np.arange(0,1.1,0.1)
plt.hist(data1['emotion'],bins,color='#4F94CD',alpha=0.9)
plt.xlim(0,1)
plt.xlabel('情感分')
plt.ylabel('数量')
plt.title('情感分直方图')
plt.show()
由直方图可见，评论内容两级分化较为严重；
3637条评论中有约2200条评论情感分在[0.9，1]区间内；同时，有约500条评论情感分在[0，0.1]区间内
2.3 词云图
from wordcloud import WordCloud
import jieba
w = WordCloud()
text = ''
for s in data['content']:
text += s
data_cut = ' '.join(jieba.lcut(text))
w.generate(data_cut)
image = w.to_file('词云图.png')
2.4 关键词提取
关键词top10
#关键词top10
from jieba import analyse
key_words = jieba.analyse.extract_tags(sentence=text, topK=10, withWeight=True, allowPOS=())
key_words
以上关键词显示，消费者比较在意手机的“屏幕”“拍照”“手感”等特性，“华为”“小米”是出现频次最高的两个手机品牌。
3 积极评论与消极评论
3.1 积极评论与消极评论占比
计算积极评论与消极评论各自的数目
#计算积极评论与消极评论各自的数目
pos = 0
neg = 0
for i in data1['emotion']:
if i >= 0.5:
pos += 1
else:
neg += 1
print('积极评论，消极评论数目分别为：',pos,neg)
积极评论，消极评论数目分别为： 2791 846
积极评论占比
# 积极评论占比
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False
pie_labels='postive','negative'
plt.pie([pos,neg],labels=pie_labels,autopct='%1.1f%%',shadow=True)
plt.show()
3.2 消极评论分析
获取消极评论数据
#获取消极评论数据
data2=data1[data1['emotion']<0.5]
data2.head(10)
消极评论词云图
#消极评论词云图
text2 = ''
for s in data2['content']:
text2 += s
data_cut2 = ' '.join(jieba.lcut(text2))
w.generate(data_cut2)
image = w.to_file('消极评论词云.png')
消极评论关键词top10
#消极评论关键词top10
key_words = jieba.analyse.extract_tags(sentence=text2, topK=10, withWeight=True, allowPOS=())
key_words
消极评论关键词显示，“屏幕”“快递”“充电”是造成用户体验不佳的几个重要因素；屏幕和充电问题有可能是手机不良品率过高或快递压迫；
因此平台应注重提高手机品控，降低不良品率；另外应设法提升发货，配送，派件的效率和质量。
本文使用jieba，snownlp，wordcloud，matplotlib等模块对文本数据进行了简要的情感分析及可视化，旨在了解用户使用体验，以此对平台运营提出优化建议。
结尾:
综上所述，通过对京东手机评论的分析，我们深入挖掘了消费者的真实声音和市场动向。无论是产品质量、性能表现还是用户体验，评论数据都为我们提供了宝贵的参考。在未来的消费者决策中，我们鼓励读者不仅要依靠评论数据，还应结合个人需求和实际情况进行综合考量。同时，手机厂商也应认真倾听消费者的反馈，不断优化产品，满足用户需求。在信息爆炸的时代，我们相信数据驱动的智慧将为消费者和厂商带来更加明智和有价值的决策。