企业官网建设流程全解析

做电商运营的朋友前阵子问我，手里攒了几万条商品评论，怎么快速知道用户到底在抱怨什么。我的第一反应是：别人工一条条看，直接上Python做文本分析。这个需求在电商选品、竞品分析、售后改进里太常见了，评论数据里全是用户真实的声音，但人工处理效率太低，而且不同的人看完结论还不一样。所以我整理了一套基于Python的电商评论文本分析方案，从数据采集、清洗、分词、情感分析到主题挖掘和可视化，一条链路走下来，日常需求基本都覆盖了。这篇内容适合刚接触文本分析、想用Python处理电商评论数据的同学，也适合已经跑通基础流程、想优化分析精度的人。核心工具就是Python生态里那套常见的库：requests、pandas、jieba、snownlp、sklearn，加上wordcloud做词云，代码量不大，但每一步都有容易踩坑的细节。

1. 项目背景与整体思路

1.1 为什么做“评论文本分析”而不是简单的看评论区

电商评论是用户主动留下的反馈，里面包含的信息密度远高于客服工单和问卷调研。用户会直接说“料子很薄”“尺码偏小”“物流太慢”“包装有异味”，这些信息如果靠人工去翻，几千条还能硬看，几万条之后视线就糊了，而且容易带个人主观倾向——同一句“一般般”，有人觉得是中性，有人觉得是差评。

文本分析解决的核心问题，是把这些非结构化的自然语言转换成可统计、可对比、可追踪的数字指标。具体来说，它有四个直接的业务价值。第一，把好评和差评自动分类，快速算出好评率和差评率，而不是依赖商家后台的默认评价标签。第二，从差评中提取高频问题词，定位品控、物流、售后等环节的短板。第三，对比不同商品或竞品的评价内容，找出用户感知层面的差异点。第四，持续监控评论情感曲线的变化，判断产品改版或活动策略是否有效。

我做过一个真实的对比测试：让两个人分别看500条评论，最后让他们列出用户最不满意的三个点，两个人的结论只重叠了一条。而同一批数据用Python跑，5分钟出结果，差评关键词排行稳定可复现。这种稳定性和可复现性，恰恰是人工处理最缺的东西，也是老板和合作方最看重的东西。

1.2 技术方案选型：词典法、机器学习与深度学习的取舍

做电商评论文本分析，技术路线主要分三档：词典法、机器学习、深度学习。很多教程一上来就讲LSTM甚至BERT，听着高大上，但对大多数人来说属于过度设计。

词典法的本质是准备一份带情感极性的词表，比如“好”是正分、“差”是负分，然后扫描评论里的每个词，把分数累加。优点是无需标注数据、跑得快、可解释性极强，缺点是无法处理复杂句式，比如“质量不错，但尺码不准”这种转折句就容易算出一笔糊涂账。

机器学习路线一般用TF-IDF或词向量把评论文本变成数值特征，再用朴素贝叶斯、支持向量机或者逻辑回归做分类。这需要一批标注好“好评/差评”的数据来训练模型，电商平台自带的星级评价可以当弱标签用。优点是准确率比词典法高一个档次，对转折句和否定句有更强的识别能力，缺点是前期要有标注成本、调参也有一定门槛。

深度学习路线，包括LSTM和BERT预训练模型，适合评论量极大、要求细粒度情感识别（比如区分愤怒、失望、愉悦）的场景。BERT的效果确实好，但需要GPU资源，训练和推理都有成本，对普通电商运营团队来说可能不划算。

我个人的习惯是，先花十分钟用词典法跑一遍基线结果，看看数据分布，再决定要不要上模型。很多业务问题在基线结果里就能看出答案，根本不需要训练模型。

1.3 整体流程设计：一条从原始评论到决策报告的生产线

整个项目可以拆成六个环节：采集、清洗、分词、情感分析、主题挖掘、可视化。这六个环节是串行依赖的关系，前一步的质量直接决定后一步的效果，尤其是清洗和分词，最枯燥但最影响最终结论。

采集环节解决“数据从哪来”的问题，包括数据库导出、平台开放接口、爬虫抓取公开页面等。清洗环节解决“数据脏”的问题，去掉HTML标签、URL、重复评价、无意义文本。分词环节把中文句子切成词序列，配合自定义词典修正专业术语。情感分析判断每条评论的褒贬倾向，再用主题挖掘找出用户反复提到的核心概念。最后用词云、柱状图、折线图把结果变成直观的图表，形成决策报告。

这条流程看似简单，真正的难点在中间三个环节的细节里。比如分词时“不咋地”这种口语化表达，标准词典可能拆成“不/咋/地”，情感分析直接就废了。再比如清洗时把“质量不错”中间加一个换行符，正则没处理好，分词就会切出奇怪的片段。这些坑在后面的章节里我会一个个说。

2. 数据获取与预处理：80%的精力要花在脏数据上

2.1 评论数据从哪来：三种常见来源与合规边界

做过实际项目的人都知道，文本分析真正耗时间的不是写模型代码，而是拿数据和清数据。电商评论数据的来源通常有三个渠道。

第一种是公司内部数据库。如果你所在团队有订单或商品库权限，直接让开发同学导出评论表，这个来源最干净，字段完整，还能关联到订单金额、商品SKU、用户城市等维度。拿到手一般是CSV或Excel格式，用pandas读进来就可以干活。

第二种是电商平台开放接口。淘宝、京东这些平台都有面向商家或开发者的开放平台API，授权后可拉取自家店铺的商品评价数据。这种方式需要在平台上创建应用、申请接口权限、处理token过期问题，初期配置有点繁琐，但一旦跑通，数据更新就是自动化的。

第三种是爬虫抓取页面。这种方式适合抓公开商品页的评价列表，合法性和平台风控风险比较高，我只建议在自己拥有数据使用权的前提下使用，比如分析自家店铺、或者抓取自己授权范围内的商品公开评价。爬虫的技术要点主要是构造请求头、处理分页参数、解析JSON数据。

下面是一个典型的评论接口请求示例，模拟抓取公开评价数据的思路。

import requests import json url = "https://example-api.com/product/comments" params = { "product_id": "123456", "page": 1, "page_size": 20 } headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64)", "Referer": "https://example.com/product/123456" } resp = requests.get(url, params=params, headers=headers, timeout=10) data = resp.json() for comment in data["data"]["comment_list"]: print(comment["content"])

注意，真实接口的参数名和返回结构各不相同，以上代码是示意。实际写爬虫前先用浏览器的开发者工具看一遍网络请求，找到真正的数据接口，再写解析逻辑，比盲猜效率高得多。

2.2 数据清洗：这些坑我基本都踩过

拿到原始评论后，第一步不是分析，而是清洗。评论数据里有太多影响分析的噪声，我总结了几类最常见的。

一是空值和重复值。很多用户提交了评价但内容为空，或者系统自动填充了默认评价。处理方法是先dropna再drop_duplicates，重复判断建议基于评论内容而非评论ID，因为同一条官方默认评价会挂在多个订单下，它们不是真正有价值的重复数据，但也应当去掉，否则会拉偏统计结果。

二是HTML标签和URL。评论里可能残留商家回复的HTML格式，以及用户粘贴的链接。

import pandas as pd import re df = pd.read_csv("comments.csv", encoding="utf-8") df = df.dropna(subset=["comment"]) df = df.drop_duplicates(subset=["comment"]) def clean_text(text): if not isinstance(text, str): return "" text = re.sub(r"<.*?>", "", text) # 去HTML标签 text = re.sub(r"http\S+", "", text) # 去URL text = re.sub(r"\d+", "", text) # 去数字 text = re.sub(r"[a-zA-Z]+", "", text) # 去英文 text = re.sub(r"\s+", " ", text) # 合并空白符 return text.strip() df["clean_comment"] = df["comment"].apply(clean_text)

三是表情符号和特殊字符。中文评论里经常混入“😂”“👍”这类表情，在分词时会被当成标点丢掉，但在统计词频时会生成一堆无意义的字符碎片，建议直接用正则过滤掉非中文字符。

四是无意义短评。很多用户只写“好”“不错”“666”，这些评论不是没有价值，但如果做情感分析，它们会被分成正面，会明显拉高好评比例，导致结论失真。建议根据业务情况设置长度阈值，比如少于5个字的评论单独归类，不要混入细粒度分析。

我在实际项目中踩过最深的坑是，一开始没做重复值清理，“此用户未填写评价内容”这个默认文本出现了3000多次，结果词云图上全是“评价”“内容”“填写”这几个词，完全抓不到真实用户反馈。

2.3 中文分词与自定义词典：让机器听懂行业黑话

中文文本分析绕不开分词。英文按空格切就行，中文必须判断词的边界。Python里最常用的分词库是jieba，它支持精确模式、全模式和搜索引擎模式，日常分析用默认的精确模式就够。

jieba分词的基础逻辑是前缀词典加动态规划，本质上是一个DAG（有向无环图）的概率路径搜索，核心目标是在一个句子的所有可能切分方式中，找到概率最大的那一种。它的内置词典覆盖了绝大多数通用词汇，但电商领域有大量品牌名、商品名、网络流行语，比如“yyds”“绝绝子”“PLUS会员”，这些词内置词典里往往没有，会导致分词结果破碎。

解决办法是加载自定义词典。把业务相关的专有词汇放在一个txt文件里，一行一个词，词与词频之间用空格隔开，比如：

绝绝子 100 PLUS会员 50 摇粒绒 30

然后用jieba.load_userdict("my_dict.txt")加载。加载之后，原本被拆成“绝/绝子”或“摇/粒/绒”的词就能完整切出。

另一个提升效果的技巧是设置停用词表。评论里的“的”“了”“是”“就”“都”这类虚词出现频率极高，对情感分析没有信息量，反而会干扰词频统计和词云展示。我常用哈工大停用词表，再补充电商场景的噪声词，比如“东西”“感觉”“真的”“觉得”。

import jieba jieba.load_userdict("my_dict.txt") stopwords = set() with open("stopwords.txt", "r", encoding="utf-8") as f: for line in f: stopwords.add(line.strip()) def seg_comment(text): words = jieba.cut(text) return [w for w in words if w not in stopwords and w.strip()]

清洗和分词做完之后，每条评论就变成了一组词列表。这个步骤看似机械，却是后面所有分析的基础，分词质量不过关，情感得分和词频统计都会失真。

3. 情感分析：从好评差评统计到细粒度情绪洞察

3.1 基于情感词典的快速判定：五分钟写一个可用的情感打分器

情感分析是电商评论分析里最核心的环节。最简单可落地的方案，是用情感词典给每个词赋值，然后累加求总分。目前公开可用的中文情感词典有不少，比如BosonNLP情感词典、知网HowNet情感词典、台湾大学NTUSD词典。BosonNLP的词典格式是词语+情感分值（正负浮点数），覆盖率在电商评论语料上表现不错，我的基线方案通常用它。

import json with open("boson_sentiment.json", "r", encoding="utf-8") as f: sentiment_dict = json.load(f) def get_sentiment_score(text): words = seg_comment(text) score = 0.0 for w in words: if w in sentiment_dict: score += sentiment_dict[w] return score df["sentiment_score"] = df["clean_comment"].apply(get_sentiment_score)

得分大于0可以粗略归为正面，小于0归为负面，等于0归为中性。这个方案的理解成本很低，老板问“你是怎么判断好评差评的”，你可以直接告诉他，我们有一本词库，每个词都有情绪分，加起来就是评论的情绪分，他百分百听懂。

词典法还有一个隐藏用途：算完所有评论的情感得分后，可以做一个得分分布直方图。如果一个商品的情感得分呈现双峰分布（集中在正负两端），说明评价两极分化严重，大概率是“粉丝觉得真香，普通用户觉得不行”的产品，这种商品在选品时尤其要警惕。

3.2 基于机器学习的情感分类建模：用平台星级当弱标签

如果词典法准确率不够，下一步是上机器学习模型。电商平台本身带五星评分，这是天然的弱标签：四星五星当作好评，一星二星当作差评，三星可以先删掉或者单独放一边。这样不需要额外标注数据，就能造出一份训练集。

特征部分用TF-IDF向量化，把分词后的评论转成稀疏矩阵。TF-IDF的作用是给词加权，一个词在当前评论中出现得多、但在整个语料中出现得少，它的权重就高，这能有效凸显“薄”“破”“臭”这类有区分度的词。

from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.naive_bayes import MultinomialNB from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report df["label"] = df["rating"].apply(lambda x: 1 if x >= 4 else 0) corpus = [" ".join(seg_comment(t)) for t in df["clean_comment"]] vectorizer = TfidfVectorizer(max_features=5000) X = vectorizer.fit_transform(corpus) y = df["label"].values X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) model = MultinomialNB() model.fit(X_train, y_train) print(classification_report(y_test, model.predict(X_test)))

朴素贝叶斯是文本分类里性价比最高的起点模型，训练速度极快、对小样本友好，在情感二分类上通常能达到85%左右的准确率。如果想要更高上限，可以换成线性SVM或者逻辑回归，它们对特征的利用更充分，但训练时间也会稍长一些。

训练完模型之后，一定要看一眼classification_report里的precision、recall和f1-score。很多时候整体准确率看着还行，但差评的recall很低，说明大部分差评没被识别出来。这种失衡很常见，因为训练集里好评数量远大于差评，需要做类别权重调整或者下采样，让模型更均衡地学习两种样本。

3.3 深度学习增强：LSTM和预训练模型什么时候才值得上

很多人在入门阶段会看到“LSTM中文文本情感分析”的帖子，觉得这个才是正路，我不完全反对，但你要清楚它的适用边界。LSTM的优势是能建模上下文语义，把“不是很满意”中的“不是”和“满意”结合起来理解，而不是像词典法那样把两个词孤立处理。

但LSTM需要格式化输入，需要embedding层，需要把每条评论padding到固定长度，整体工程复杂度比词典法上了一个台阶。更关键的是，它需要足够多的训练数据才能发挥优势，如果只有几千条标注评论，效果反而不如TF-IDF加朴素贝叶斯。

BERT类预训练模型效果确实好，它对“五星好评但实际质量很烂”这种反讽、转折、上下文依赖强的句子识别能力更强，但推理速度慢，CPU上跑大批量数据会等到怀疑人生，一般需要GPU服务器。我的建议是，如果评论量日均在十万条级别、分析结论直接牵动核心业务指标，再考虑上BERT。普通电商团队先把词典法和机器学习跑好，已经能覆盖九成需求。

3.4 情感分析结果校验：算出来的结论可不可信

我见过不少团队，模型跑完就出报告，从不做校验，结果把“这份产品定价过高”算成负面、把“味道太重不喜欢”算成负面，这些没错，但当“物流慢但服务态度好”这种句子出现时，模型容易错判。所以无论用哪种方案，都要抽出一部分样本人肉核对。

我自己的流程是：从分析结果里分层随机抽200条评论，其中好评、差评、中性各占一部分，人工判断每条评论的真实情感，然后和模型结果对比，算出准确率。如果准确率低于85%，我不会急着出报告，而是回去检查清洗规则、停用词表、模型参数。测试准确率是文本分析的生命线，宁可晚一天出结论，也不能给决策层一份误导性的报告。

判断结果时，还要注意一个电商场景的特殊性：用户打了一星，但评论内容可能是骂物流，不是骂商品。如果只按星级建标签，模型会把所有一星评价都学成“对商品不满意”，但实际上用户是“对物流不满意”。这时候更细的解决方案是先把评论中包含“物流”“快递”“发货速度”等词的样本单独抽出来做归因分析，不要混进商品质量模型里。

4. 主题挖掘与可视化：把分析结果变成决策依据

4.1 高频词与词云：最直观但最容易骗人的图表

词云是电商评论分析里最受老板欢迎的图表，一张图放出来，核心问题一目了然。但词云也是最容易被滥用的工具，直接把全部评论扔进WordCloud生成，大概率只会看到“好评”“质量”“物流”“不错”这些高频词，信息量很低。

正确做法是必须先分组再画图。把评论按好评、差评分成两批，分别绘制词云。差评词云里如果“尺寸”这个词巨大，说明版型问题突出；如果“客服”巨大，说明服务是主要矛盾。这样分组对比，才真正有结论。

from wordcloud import WordCloud import matplotlib.pyplot as plt def draw_wordcloud(text_list, save_path): text = " ".join(" ".join(seg_comment(t)) for t in text_list) wc = WordCloud( font_path="msyh.ttc", # 中文字体，Windows下是msyh.ttc或被替换为simhei.ttf width=800, height=600, background_color="white", max_words=150, collocations=False ) wc.generate(text) plt.figure(figsize=(10, 8)) plt.imshow(wc, interpolation="bilinear") plt.axis("off") plt.savefig(save_path, dpi=150) plt.show()

font_path要格外注意，WordCloud默认字体不支持中文，不指定中文字体的话，词云里全是方框。macOS上路径一般是/System/Library/Fonts/PingFang.ttc，Windows上常见是C:/Windows/Fonts/msyh.ttc，Linux可以装文泉驿微米黑，或者直接用思源黑体的otf文件。

4.2 基于TF-IDF和TextRank提取核心话题：找出“高区分度”的槽点

词云只能看字大，不能回答“哪些问题是这个商品独有的”。要回答这个问题，需要用TF-IDF提取每个类别的关键主题词。和机器学习分类时用TF-IDF当特征不同，这里的用法是：把“好评评论”和“差评评论”当成两个文档集合，分别计算每个词的TF-IDF值，值越大的词越能代表这个集合的独有特征。

实操时可以做一个简单的对比表：差评集合中TF-IDF排前20的词，和好评集合中TF-IDF排前20的词并列展示。如果差评关键词里出现了“色差”“线头”“异味”，说明这些是竞品差评里常见的、有代表性的痛点，逻辑简单但非常有效。

TextRank是另一种关键词提取算法，思路类似PageRank，通过词与词之间的共现关系计算权重。jieba里已经内置了jieba.analyse.textrank接口，可以很方便地抽取每条评论的关键词，再把所有差评的关键词汇总统计，得到更聚焦的槽点列表。

import jieba.analyse bad_comments = df[df["sentiment_score"] < 0]["clean_comment"].tolist() text = "。".join(bad_comments) keywords = jieba.analyse.textrank( text, topK=20, withWeight=True, allowPOS=("n", "v", "a", "nz") ) for word, weight in keywords: print(f"{word}: {weight:.4f}")

TextRank里的allowPOS参数可以限定只抽取名词、动词、形容词，这样能避免抽出一堆虚词或语气词。

4.3 实操案例：用评论数据找出两个竞品的差异点

2024年我在处理一个运动水杯的选品任务时，拿到了两个竞品A和B的大约各5000条评论。光看销售数据和价格没看出太大差距，但评论一分析，差异非常明显。

竞品A的好评关键词集中在“保温”“颜值”“材质”，差评关键词集中在“盖子”“漏水”“异味”。竞品B的好评关键词集中在“便宜”“轻便”“容量”，差评关键词集中在“掉漆”“划痕”“塑料感”。

这两个商品的目标人群明显不同：A主打高品质场景，B主打性价比场景。再往下看，A的“盖子”和“漏水”相关差评占比达到18%，B只有5%，这说明A的结构设计有缺陷，如果我们要做对标产品，直接抄A的外观设计但改掉盖子结构，就能在用户体验上形成优势。B的“掉漆”问题主要出在喷涂工艺，如果能在这个点上升级，就能把它的用户群抢过来。

这就是文本分析的价值，它不是告诉你“A的评价比B好”，而是告诉你“A在哪个具体维度上比B强、在哪个维度上比B弱”。对选品、改版、定价都有直接指导意义。

4.4 结果落地：从词频统计到可执行的产品建议

分析做到最后，要出一份别人看得懂、用得上的结论。我的报告一般分四部分：总体数据概览（评论数量、好评率、差评率、时间趋势）、差评归因分析（差评关键词Top10、各问题占比）、好评亮点提取（用户认可的卖点Top5）、运营建议（针对每个问题的改进动作）。

比如差评归因分析里“尺寸偏小”出现频率高，建议就不只是“调整版型”，而是“对比竞品的尺码表，查看退换货数据里尺码S的占比，考虑是否要增加半码选项”。分析的目的不是罗列问题，而是告诉决策者“这个问题有多严重、影响面有多大、应该从哪个环节入手”。

把结论表格化很关键。同样是差评关键词，用列表把“问题点-频率-占比-可能原因-建议动作”五列写清楚，老板一眼就能拍板先做哪件事。

5. 常见问题与排查技巧实录

5.1 编码乱码：八成是文件的锅

跑文本分析第一步读数据就遇到乱码，是新手最常见的问题。原因通常是评论文件是别的同事导出的，可能是UTF-8编码，也可能是GBK编码，而pandas默认用UTF-8读文件，遇到GBK就报错或乱码。

解决办法很简单，读文件时显式指定编码参数，试着用encoding="utf-8"和encoding="gbk"轮流读。如果还出错，可以用encoding="gb18030"，它是GBK的超集，兼容性更强。

另一个技能是使用chardet库自动检测文件编码，它通过字节特征推测编码类型，能在不确定时给出建议值，不过检测结果要人工确认，而且只能用于文本文件，Excel的xlsx格式不能用这个方法。

5.2 分词总是不准：自定义词典和词频调整

“这个产品简直不要太好用”这句话，如果按字面分词，情感分析很容易判成负面。分词不准的来源基本是三个：网络新词、行业术语、口语化表达。网络新词要靠定期维护自定义词典解决；行业术语可以在词典里加上“SKU”“面料支数”“缓震”之类；口语化表达最麻烦，比如“公举”其实是“公主”，“绝绝子”是“绝了”的加强版，这些要么加词典，要么写针对性的规则。

jieba还有一个add_word方法可以在代码里动态添加单词，但我的经验是，所有自定义词汇统一放在词典文件里维护，方便迁移和备份。如果某个词在特定语境下总被切错，还可以用jieba.suggest_freq(("不", "咋地"), True)调整词频，让某个切分方式优先出现。

5.3 情感误判：转折、否定和反讽怎么处理

词典法最常见的误判来自转折句。“快递特别慢，但客服态度很好”这句话里，“慢”是负分，“好”是正分，两者抵消，情感得分趋近于零，归为中性。但用户在五星评价里说“物流慢但客服好”，情绪其实是正面的；在一星评价里说“东西不错但物流太垃圾”，情绪则是负面的。

简单的处理策略是针对转折结构写规则：把句子按“但”“但是”“不过”“然而”切开，后半句的权重调高。“不过”后面的内容往往才是用户真正想表达的。机器学习模型天然能学到这类模式，但需要足够的样本；如果样本不够，用规则修正词典法也是一种务实的过渡方案。反讽是更难处理的问题，比如“这质量真是棒棒哒”在特定的语境中是反话，目前只能靠上下文和语境判断，普通模型很难完全解决，遇到这种情况，宁可让它归为中性，也不要强行分类。

5.4 评论量太大跑不动：向量化和多进程

评论数据在几万条级别时，Python单线程处理不会太慢。但如果到了几十万条，逐条调用分词和情感计算就会卡到怀疑人生。第一个优化方向是向量化，尽量用pandas的apply代替for循环；第二个方向是并行，用multiprocessing.Pool把数据切块分给多个进程；第三个方向是减少重复计算，把清洗和分词结果缓存住，情感分析时直接读缓存文件，避免每次重跑。

from multiprocessing import Pool def process_batch(batch): return [seg_comment(t) for t in batch] chunks = [df["clean_comment"].iloc[i:i+1000].tolist() for i in range(0, len(df), 1000)] with Pool(processes=4) as pool: results = pool.map(process_batch, chunks)

要提醒的是，多进程在Windows环境下有注意点，sub进程创建时可能会重复执行主模块代码，通常把入口逻辑放在if __name__ == "__main__":里可以规避。另外，如果数据真的到了百万条级别，就该考虑把语料放到数据库里，用SQL做预统计，或者换用Spark这类分布式框架了，但这已经超出日常电商分析的需求。

最后分享几点体会

我把这套流程在多个项目里跑过之后，有几个比较深的体会。

第一个是，文本分析的准确率和可信度，取决于最差的那个环节。清洗偷懒，词云就全是噪声；分词词典没维护，情感分就乱跳；测试集没抽验，模型报告就没有说服力。宁可每一步走得慢一点，也别跳过校验步骤。

第二个是，分析结果要能落到业务动作上才算数。我见过很多人费劲跑完模型，报告里只有“好评率92%”这种结论，这跟平台后台数据有什么区别？真正有价值的结论是“差评里‘尺码’相关词占比同比上周上升了6个百分点，退换货数据里M码的退货率最高，需要检查这批货的版型是否出现批次问题”。

第三个小技巧是，分析代码建议做成模板复用。我自己的项目里已经把清洗、分词、词典法情感、TF-IDF主题提取封装成几个函数，换一批数据只需改文件路径和自定义词典。这套模板在多个品类上都跑过，效果一直很稳定。如果你的数据源固定，也建议把整个流程写成脚本，做成每周自动跑一次的监控任务，这样评论情感曲线的变化就能第一时间被发现。

做文本分析入门不难，难的是让每个步骤都可靠。先把词典法跑通，再看数据需求决定要不要加模型，这条路对大多数人来说是最稳妥的。