随着自然语言处理（NLP）的迅速发展，情感分析作为其中的重要应用领域，越来越受到关注。无论是社交媒体的舆情分析、用户评论的情感判断，还是企业年报的情感倾向识别，情感分析在多个领域都有广泛的应用。本文将聚焦于如何利用TF-IDF（Term Frequency-Inverse Document Frequency）技术进行情感分析。我们将通过一个实际案例展示如何将TF-IDF与情感词典结合，实现对文本情感的自动判断。
一、TF-IDF简介
TF-IDF是一种常用于文本挖掘和信息检索的加权方法，用于评估一个词语在一个文档集合或语料库中的重要程度。它结合了词频（TF）和逆文档频率（IDF）两个因素：
- TF（词频）：表示一个词语在文档中出现的次数。词语出现次数越多，TF值越高。
- IDF（逆文档频率）：衡量词语在整个语料库中是否具有区分度。某个词语在多个文档中出现的频率越低，其IDF值越高，反之亦然。
通过TF-IDF加权，可以有效地突出具有区分度的关键词，同时降低那些在所有文档中普遍存在的常见词的权重。对于情感分析，TF-IDF可以帮助我们提取出具有情感倾向的词语，并通过情感词典进行归类。
二、TF-IDF 在情感分析中的应用
2.1 数据准备
在情感分析中，我们首先需要构建一个包含文本内容的数据集。以下是一个简单的文本集合示例：
import pandas as pd
corpus = ["hello, i am glad to meet you",
"it is wonderful",
"i hate you",
"i am sad"]
df1 = pd.DataFrame(corpus, columns=['Text'])
df1
这里我们创建了一个包含四个文本样本的 DataFrame，这些文本中包含了一些积极和消极的情感词语。接下来，我们将使用 TF-IDF 对这些文本进行处理。
2.2 构建 TF-IDF 文档词矩阵
利用 sklearn.feature_extraction.text.TfidfVectorizer，我们可以将文本转换为 TF-IDF 文档词矩阵。
from sklearn.feature_extraction.text import TfidfVectorizer
def createDTM(corpus):
"""构建文档词语矩阵"""
vectorize = TfidfVectorizer()
dtm = vect