思路以及代码都来源于下面两篇文章：

一个不知死活的胖子：Python做文本情感分析之情感极性分析

基于情感词典的情感分析应该是最简单的情感分析方法了，大致说一下使用情感词典进行情感分析的思路：

对文档分词，找出文档中的情感词、否定词以及程度副词，然后判断每个情感词之前是否有否定词及程度副词，将它之前的否定词和程度副词划分为一个组，如果有否定词将情感词的情感权值乘以-1，如果有程度副词就乘以程度副词的程度值，最后所有组的得分加起来，大于0的归于正向，小于0的归于负向。

准备：

1.BosonNLP情感词典

既然是基于情感词典的分析，当然需要一份包含所有情感词的词典，网上已有现成的，直接下载即可。

https://bosonnlp.com/dev/resource

从下载的文件里，随便粘了几个正向的情感词，词后面的数字表示的是情感词的情感分值，一般正向的都是正数，负向的是负数：

注：由于BosonNLP是基于微博、新闻、论坛等数据来源构建的情感词典，因此拿来对其他类别的文本进行分析效果可能不好

也有一种将所有情感词的情感分值设为1的方法来计算，想要详细了解可参考此文章：

文本情感分类（一）：传统模型

2.否定词词典

文本情感分类（一）：传统模型中提供了一个情感极性词典的下载包，包中带了一个否定词的txt。

3.程度副词词典

程度副词如：非常、很、特别...等词

原博中提供了《知网》情感分析用词语集（beta版）的下载链接，该词典中包含了程度副词已经对应的程度值，但是下载下来之后发现只有程度副词，并没有对应的程度值。

从程度级别词语.txt中选取了一部分程度副词，可以看到只有程度词，没有程度值，这个时候就自己看情况赋一个值好了：

改完之后的格式如下，程度副词和程度值用逗号分割，程度值可以自己定义：

4.停用词词典

数据堂的下载本地总是打不开，因此原博中提供的数据堂的中文停用词下载也是没下载下来，然后使用了snownlp源码中的停用词词典，但是后来发现有些情感词被当做停用词了

数据堂停用词下载：http://www.datatang.com/data/43894

snownlp源码：https://github.com/isnowfy/snownlp （停用词在snownlp/normal文件夹下 stopwords.txt）

5.分词工具

由于使用python，选择了jieba分词

数据和工具都准备好了，现在可以开始情感分析了~

来一个简单的句子：我今天很高兴也非常开心

（1）分词，去除停用词

我、今天、也被当作停用词去掉，剩下很、高兴、非常、开心

（2）将分词结果转为字典，key为单词，value为单词在分词结果中的索引，后来想到一个问题，如果把单词作为key的话假如一个情感词在文中出现了多次，那么应该是只记录了这个词最后一次出现的位置，其他的被覆盖掉了。

将上一步得到的分词结果转为字典：

{'很': 0, '高兴': 1, '非常': 2, '开心': 3}

（3）对分词结果分类，找出情感词、否定词和程度副词

情感词sen_word（高兴和开心，key为单词的索引，value为情感权值）:

 {1: '1.48950851679', 3: '2.61234173173'}

程度副词degree_word（很和非常，key为索引，value为程度值）
{0: '1.75', 2: '2'}

否定词not_word，由于没有出现否定词，所以否定词为空：
{}

（4）计算得分

首先设置初始权重W为1，从第一个情感词开始，用权重W*该情感词的情感值作为得分（用score记录），然后判断与下一个情感词之间是否有程度副词及否定词，如果有否定词将W*-1，如果有程度副词，W*程度副词的程度值，此时的W作为遍历下一个情感词的权重值，循环直到遍历完所有的情感词，每次遍历过程中的得分score加起来的总和就是这篇文档的情感得分。

W=1

score=0

第一个情感词是高兴，高兴的情感权值为1.48950851679，score=W*情感权值=1*1.48950851679=1.48950851679

高兴和下一个情感词开心之间出现了程度副词非常，程度值为2，因此W=W*2=1*2=2，然后获取下一个情感词

下一个情感词是开心，此时W=2,score=score+2*2.61234173173=1.48950851679+2*2.61234173173=6.71419198025

遍历结束

这里也发现两个问题：

（1）第一个情感词之前出现的程度副词和否定词被忽略了

（2）在判断两个情感词之间出现否定词以及程度副词时，W没有被初始化为1，这样W就被累乘了

        有兴趣的可以修改一下~

完整代码：