189 8069 5689
本篇内容介绍了“python可视化数据实例分析”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
创新互联建站主要从事网站建设、成都网站设计、网页设计、企业做网站、公司建网站等业务。立足成都服务松山,十年网站建设经验,价格优惠、服务专业,欢迎来电咨询建站服务:028-86922220
我们利用Python里的jieba分词、matplotlib模块分析整篇文章词汇，并提取词频前20的词语，得到结果如下：
确实，涉及到两位明星的词语是最多的，其次是阿丽姐（不知道是不是作者的化身）。赞赞在其中是女性角色，难怪粉丝们暴跳如雷。这样分析，似乎看不出太多的内含，我们把维度细化一点。
从敏感角度看，这个词汇频率会是怎样的呢？由于纯洁的我实在是接受不了，因此打了点马赛克（如果这样你都能猜出是什么词....嗯...建议多看看天线宝宝）：
经过统计，文章出现一共20367个非黄色词汇，284个涉黄词汇。涉黄词汇出现概率约为1.4%，也就是说每100个词汇里就会出现一次黄词，这个概率相当高了，感觉《挪威的森林》略逊一筹，《失乐园》大可一战。
最后，来个词云结束这一部分：
我们使用Lstm，按行对整片文章进行分析，看看这些句子呈现的情感特点是否有某边倒的倾向，其中，当分为正面信度大于0.7，或负面信度大于0.7的时候分别分到正面分类和负面分类，其他情况为中性：
得到结果如下：
>>{'neg': 988, 'pos': 332, 'mid': 471}
负面的句子占了55%，文章负面情绪较多。负面情绪只是衡量一篇文章的情感倾向，无法说明什么。
接下来才是关键，识别句子的涉黄程度，同样地，设定概率置信度大于0.7的时候进行分类：
获得结果如下：
>> {'porn': 280, 'not_porn': 1511}
“python可视化数据实例分析”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注创新互联网站，小编将为大家输出更多高质量的实用文章！