企业官网建设流程全解析

简介：一份面向外卖平台用户评价情感分析的Python实战资源包，适合具备基础Python语法、希望掌握文本分类与情感倾向分析流程的初学者或课程项目使用者。资源包含设计思路报告（word）、可直接运行的源码、评论数据集（csv）以及正负向候选词表，报告完整描述了将读取前4000条评论归为正向、后8000条归为负向并分别写入文件的情感倾向分类思路。压缩包共12个文件，主要涵盖py脚本、csv数据、docx报告、md说明、txt词表及png结果图，其中png展示正向/负向高频词与分类结果，整体大小约3.23MB，结构紧凑便于下载学习。目前已获得852人学习浏览，适合用于外卖评论情感分析实践、毕业设计参考或数据分析入门练习，读者可参照源码快速复现完整流程，并借助设计报告理解特征选择与分类器评价细节。

1. 外卖用户评价情感倾向性分析：拿到这份Python资源后我能做什么

外卖用户评价情感倾向性分析，说白了就是把“味道不错”“送得太慢”这类评论文本自动归类成正向和负向，而不是靠人一条条去看。这份Python资源把完整链路打包成了一个zip，里面有设计思路报告docx、可直接运行的code.py、评论数据review.csv，还有正负向候选词和高频词结果图。你拿到手能做的不只是跑通代码，还能看懂样本怎么切分、情感分类器怎么训练、词云怎么生成。它适合正在做课程设计、毕业设计，或者想用Python完成“数据清洗—文本分类—可视化”全流程的人。下面的拆解按我实际复现的顺序来，文档、代码、数据分别怎么用，以及哪里容易翻车，都会讲到。

2. 拆解zip包：文件结构、设计报告与实际运行逻辑

2.1 压缩包里都有什么：从设计报告到数据文件

解压后先把文件分成四类：文档、代码、数据、中间产物。文档类有“emotionaltendencies 设计思路报告.docx”、“README.md”、“简短思路.md”；代码类是“code.py”；数据是“review.csv”；中间产物是“pos_candi.txt”和“neg_candi.txt”，外加“res”文件夹里的四张图片。对于一个课程设计级别的项目，这个结构非常标准，比很多只丢一个大文件夹的压缩包装得清楚。

我习惯先看“简短思路.md”，因为它最短，能快速告诉我项目主线。看完之后再看“设计思路报告.docx”，里面一般会写需求分析、流程图、算法选型、测试结果，这部分可以直接改成自己的实验报告，省掉大量从零写文档的时间。不过要注意，报告里的代码截图大概率是旧版本，真正运行还是要以自己的环境为准。

“review.csv”是原始评论数据，格式不外乎评论内容、评分、店铺名、用户ID。最让我意外的是“pos_candi.txt”和“neg_candi.txt”这两个文件，它们不是结果输出，而是候选情感词表，作用类似词典：把“绝绝子”“拉胯”这样的外卖圈口语词提前喂给分词器，避免被拆碎。打开看，里面都是一行一个词，编码是UTF-8。如果你的记事本打开是乱码，说明系统默认编码不是UTF-8，后面会讲怎么处理。

“res”目录里的“正向结果.png”“负向结果.png”是分类结果的可视化，“正向高频.png”“负向高频.png”是词云图。整个项目用到的第三方库基本是pandas、jieba、scikit-learn、wordcloud、matplotlib这一套，不需要GPU，笔记本就能跑。对新手来说，最花时间的往往是环境配置，比如在PyCharm里配置Python解释器，或者在VSCode里配置Python环境，都得保证用的是同一个解释器，否则在终端里pip安装的库，到IDE里import会找不到。我一般先把命令行切到项目根目录，再执行下面的命令：

pip install pandas jieba scikit-learn wordcloud matplotlib

逻辑说明：这一行把数据读取、分词、建模、画图需要用到的库一次装齐。如果安装时提示“No module named pip”，说明Python没有加入PATH，需要在安装Python时勾选“Add Python to PATH”，或者直接用python -m pip install。

参数说明：pip install后面可以跟多个包名，空格隔开，可以一次装完。如果网络慢，可以换成阿里云镜像源，但不建议用全局代理之类的方式，容易引入奇怪的问题。

下面用一个表格汇总文件位置和用途：

这里有个细节：pos_candi.txt和neg_candi.txt可能同时服务于两个阶段。第一阶段作为jieba的自定义词典，让口语词不被拆开；第二阶段作为情感词典，给每句评论打正负分。如果你的数据里出现了“包装严实”“骑手态度好”这种明显的外卖评论词，但候选词表里没有，可以用记事本追加，每行一个，保存为UTF-8。

2.2 review.csv怎么变成正负样本：读取前4000条和后8000条的逻辑

根据“简短思路.md”和code.py的运行行为，这个资源的核心切分逻辑非常直接：把review.csv按行号切，前4000条写成正向样本文件，后8000条写成负向样本文件。也就是说，原始数据很可能已经预先分成两个部分，前面是好评，后面是差评，中间没有单独标label列。这样做的好处是代码简单，课程设计演示足够；坏处是一旦数据顺序不是这样，后续训练全崩。

我在复现时会把这一步单独拆出来跑，方便观察中间结果：

import pandas as pd # 读取原始评论数据；如果提示中文乱码，把 encoding 换成 'gbk' df = pd.read_csv('review.csv', encoding='utf-8', header=0) # 前4000条视为正向，后续8000条视为负向（假设数据本身有序） pos_df = df.iloc[:4000].copy() neg_df = df.iloc[4000:4000 + 8000].copy() print(pos_df.shape, neg_df.shape, df.shape)

这段代码的逻辑是：iloc[:4000]取的是行索引0到3999，一共4000条；iloc[4000:4000+8000]取的是第4000条到第11999条。如果review.csv总行数等于12000，那么neg_df其实可以用更简单的df.iloc[4000:]写法。我故意写成4000+8000，是因为原描述里明确说了“后8000条”，这样即使前面还有其它数据，也能按这个区间切。

参数说明：header=0表示第一行是列名，如果CSV没有表头，这里会直接把第一条评论当成列名，必须改成header=None。encoding='utf-8'是大多数数据的默认值，但如果文件是Windows下用Excel另存的，通常是GBK，读进来会报UnicodeDecodeError，这时候改成encoding='gbk'即可。

切分完这只是正负样本数组，还需要给它们加上标签才能训练模型。常见做法是直接构造一列：

pos_df['label'] = 1 # 正向 neg_df['label'] = 0 # 负向 data = pd.concat([pos_df, neg_df], axis=0) data = data.sample(frac=1, random_state=42).reset_index(drop=True)

这里concat是把两个DataFrame上下合并，sample(frac=1)是把所有行重新打乱，random_state=42让打乱结果可复现。如果不打乱，模型训练时前面全是正向，后面全是负向，交叉验证结果会非常不稳定。reset_index(drop=True)是为了让行索引从0重新连起来，避免后续train_test_split时索引残留。

我一般会顺手把切分结果保存成两个csv，做数据备份：

pos_df.to_csv('positive_comments.csv', index=False, encoding='utf-8-sig') neg_df.to_csv('negative_comments.csv', index=False, encoding='utf-8-sig')

注意encoding='utf-8-sig'和utf-8的区别：前者会在文件开头写入BOM，Excel打开不会乱码，而pandas再读的时候也不需要改配置，所以这个写法更适合给不熟悉编码的人看。

到这里，数据集的基本形态就有了：一列是评论文本，一列是0/1标签。如果你拿着这份资源只是为了完成课程设计，跑到这一步其实已经可以交差一半。但这里要踩一下刹车：直接按行号切分对原始数据有很强假设，一旦review.csv被重新排序，或者换了一批数据，这个逻辑立刻失效。我自己的习惯是先跑df['star'].value_counts()，如果有评分列，就按评分阈值切，后面第4章会专门讲这个坑。

另外，运行code.py时，如果直接从终端执行python code.py，程序会先打印正负样本数量，再打印分类报告，最后在res目录生成图片。我第一次跑的时候没有在项目根目录打开终端，导致文件路径找不到，报FileNotFoundError。所以建议所有相对路径都以项目根目录为基准，或在IDE里把Working directory设置为项目根目录。这个习惯能帮你省掉很多莫名其妙的路径报错。

3. 情感分类链路：分词、TF-IDF与朴素贝叶斯的参数调法

3.1 外卖评论的分词：jieba库与自定义候选情感词

中文评论没有空格，直接套英文的split不现实。外卖评论又特别口语化：“绝绝子”“踩雷”“送餐贼慢”这些词，通用模型不一定认识。所以需要jieba分词，并且把pos_candi.txt、neg_candi.txt里的候选词加载进来，让“绝绝子”被当成整体而不是被拆成“绝/绝/子”。如果分词错误，后续不管是TF-IDF还是情感词典打分，都会被带偏。

先看最基础的分词代码：

import jieba # 加载自定义候选词，每行一个词 jieba.load_userdict('pos_candi.txt') jieba.load_userdict('neg_candi.txt') def cut_comment(text: str) -> list: # 精确模式分词，适合短文本 return jieba.lcut(text.strip())

逻辑说明：load_userdict会把自定义词加入词典，并保证这些词在分词时优先被识别。比如“真香”不会被拆成“真/香”，“拉胯”不会被拆成“拉/胯”。lcut是jieba的精确模式切分函数，返回一个词列表。这里用strip()去掉首尾空格，避免把换行符带进特征。

参数说明：load_userdict要求文件每行一个词，不能有逗号或分号，文件编码必须是UTF-8，否则会报UnicodeDecodeError。如果你在Windows下用记事本另存，记得编码选UTF-8而不是默认的ANSI。

美团、饿了么评论里常有“骑手态度好”“包装严实”“漏撒”这些场景词。如果这些词不在候选词表里，也建议追加进去。我第一次跑的时候没有加载自定义词，结果“不好吃”被分成“不好/吃”，情感倾向直接判断反了。这是血泪经验：外卖评论的情感词往往藏在连续的名词+形容词里，不提前喂词典，分词质量会非常难看。

顺便说一下停用词问题。分词之后，词表里大量是“的”“了”“就”“都”这类功能词，它们对情感分类没有贡献。我一般会准备一个停用词集合，在特征提取前过滤：

stopwords = set(['的', '了', '是', '我', '你', '它', '很', '非常'])

逻辑说明：这个集合可以根据数据自己扩充。注意“很”和“非常”其实是程度词，在某些表情感分析里应该保留，但在二分类“好评/差评”任务里，它们几乎不携带正负倾向，所以我会先过滤，避免它们占据TF-IDF的有效维度。

3.2 特征工程：TF-IDF与朴素贝叶斯的搭配

分词之后得到的是文本，但模型只认数字。常见做法是把词列表转成TF-IDF向量。TF-IDF的核心思想是：一个词如果在少数几个类别里频繁出现，它的权重就高；如果所有评论里都出现，权重就被压低。外卖评论属于短文本，词表不会太大，用TF-IDF加朴素贝叶斯是成熟组合，比直接上深度学习稳定得多。

特征工程代码：

from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.model_selection import train_test_split from sklearn.naive_bayes import MultinomialNB from sklearn.metrics import classification_report # 切分训练集和测试集，stratify保证正负比例一致 X_train, X_test, y_train, y_test = train_test_split( data['comment'], data['label'], test_size=0.2, random_state=42, stratify=data['label'] ) # 中文TF-IDF，max_features=5000避免维度爆炸，ngram_range=(1,2)保留“不新鲜” vectorizer = TfidfVectorizer(max_features=5000, ngram_range=(1, 2), min_df=2) X_train_vec = vectorizer.fit_transform(X_train) X_test_vec = vectorizer.transform(X_test) # 多项式朴素贝叶斯，适合词频/词袋类特征 model = MultinomialNB(alpha=1.0) model.fit(X_train_vec, y_train) y_pred = model.predict(X_test_vec) print(classification_report(y_test, y_pred, target_names=['负向', '正向']))

逻辑说明：先做train_test_split，再把训练集和测试集分别向量化。注意fit_transform和transform的区别：fit_transform会从训练集学习词表，transform只做转换，测试集只能用transform，绝不能再用fit或fit_transform，否则会把测试集里的词混进词典，导致评估结果虚高。

参数说明：max_features=5000是一个折中值，如果评论总量小于10000，设2000也可以；ngram_range=(1,2)能捕捉“不太行”这类否定组合，但维度会变高，内存不够时可以去掉；min_df=2表示只有出现在至少2条评论里的词才会被保留，用来过滤只在一条评论里出现的噪音名词。alpha=1.0是拉普拉斯平滑系数，一般保持默认。

如果数据量特别小，比如只有几百条评论，这时候max_features要降到1000，甚至直接改用情感词典打分。我见过有人拿50条样本硬跑朴素贝叶斯，结果训练集F1是0.9，测试集只有0.5，区别就在于词表太大导致过拟合。建议先用classification_report看宏平均F1，而不是盯准确率。

3.3 评估结果可视化：res目录里的PNG是怎么来的

资源里“正向结果.png”“负向结果.png”不是截图，而是程序跑出来的图表。最常用的是混淆矩阵，它能清楚看出“正向被误判成负向”的数量。对于课程设计，这张图是报告里的核心证据。

画图代码：

import matplotlib.pyplot as plt from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay cm = confusion_matrix(y_test, y_pred) disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=['负向', '正向']) disp.plot(cmap='Blues') plt.savefig('res/confusion_matrix.png', dpi=150) plt.show()

逻辑说明：confusion_matrix把真实标签和预测标签交叉统计，四个格子分别代表TN、FP、FN、TP。ConfusionMatrixDisplay负责把矩阵画成带色块的热力图。保存时dpi=150，打印到报告里不会发虚。如果只想看预测概率分布，可以用model.predict_proba画直方图，观察正负向样本的得分重叠程度。

参数说明：cmap可以换成'Blues'、'Greens'等，display_labels顺序要和分类报告里的顺序一致。保存路径最好先判断目录存在，用os.makedirs('res', exist_ok=True)，否则首次运行会报找不到res目录。这里提一句，zip包里的“正向结果.png”“负向结果.png”可能来自旧数据，你跑新数据后应该用新图片替换，保留旧图反而容易被导师看出拼凑痕迹。

交叉验证也是验证模型稳定性的常用手段。常见做法是直接用cross_val_score，把5折平均F1作为最终指标：

from sklearn.model_selection import cross_val_score scores = cross_val_score(model, X_train_vec, y_train, cv=5, scoring='f1_macro') print(scores.mean())

逻辑说明：这里用的X_train_vec是fit_transform完的训练集，cross_val_score会在内部再划分5份，轮流当验证集。scoring='f1_macro'把正负两个F1做平均，比准确率更能反映分类器在小类上的表现。如果得分低于0.7，就该检查样本切分或特征参数。

4. 避坑与常见问题：五个让评价分析翻车的细节

4.1 数据读取阶段的两个坑

坑一是CSV乱码。现象：用Excel打开review.csv一切正常，用pandas读进来之后所有中文变成“锟斤拷”或“�”。原因：文件实际编码是GBK或GB2312，read_csv却用了默认的utf-8。解决：先确认文件编码再读。我一般这样兜底：

try: df = pd.read_csv('review.csv', encoding='utf-8') except UnicodeDecodeError: df = pd.read_csv('review.csv', encoding='gbk', errors='ignore')

逻辑说明：先试UTF-8，失败就换GBK。errors='ignore'会跳过非法字节，但可能丢字，只适合临时排查。更稳妥的是把数据转成标准编码：

df.to_csv('review_utf8.csv', index=False, encoding='utf-8-sig')

参数说明：utf-8-sig带BOM，Excel打开不会乱码，pandas读它也不需要额外指定。从那以后，我拿到任何csv第一件事就是查编码，而不是急着打开。

坑二是pandas把第一行评论当成列名。现象：df.head()显示的第一行是一条评论“这家店味道不错”，而不是“user_id,comment,star”这类字段。原因：review.csv本身没有表头，read_csv默认把第一行当列名。解决：手动指定header=None，再按列数给names：

df = pd.read_csv('review.csv', header=None, names=['user_id', 'shop', 'comment', 'star'])

逻辑说明：names的列表长度必须和实际列数一致，否则pandas会报错。如果不知道列数，先不写names读一次，用df.shape[1]看有几列，再补齐。

4.2 模型训练与表现阶段的三个坑

坑三是直接按前4000条切正负样本，结果模型非常偏。现象：classification_report里负向F1很高，正向F1不到0.3。原因：review.csv的顺序未必是“好评在前、差评在后”，可能原始数据按时间或用户ID排序，导致前4000条里混着大量差评。解决：先看评分分布，再按评分切：

print(df['star'].value_counts()) pos_df = df[df['star'] >= 4] neg_df = df[df['star'] <= 2]

逻辑说明：评分4到5星归正向，1到2星归负向，3星中性弃掉。如果review.csv里确实没有评分列，只能靠关键字规则切，那我不建议直接上分类器，老老实实用词典打分更稳妥。判断标准很简单：凡是让你“赌顺序”的切分方式，都有翻车风险。

坑四是分词后高频词全是停用词。现象：生成的词云里最大的是“的”“了”“很”，完全看不出外卖特征。原因：统计词频前没有过滤停用词，也没有过滤单字。解决：在统计之前加过滤条件：

word_list = [w for w in cut_comment(text) if w not in stopwords and len(w) > 1]

逻辑说明：len(w)>1会把“香”“慢”这类单字情感词也过滤掉。如果是要做情感分析，单字词要谨慎，我一般只在词云里过滤，在模型特征里保留，因为“慢”在配送场景里可能是负向信号。如果是要做词云展示，这个过滤会让图更干净。

坑五是词云里的中文全部变成小方块。现象：程序不报错，但生成的PNG里全是方框。原因：WordCloud默认字体不支持中文。解决：指定中文字体路径，Windows下用simhei.ttf，Linux下用文泉驿微米黑：

wc = WordCloud(font_path='C:/Windows/Fonts/simhei.ttf', background_color='white')

逻辑说明：font_path不指定时，PIL用默认字体渲染，无法覆盖中文编码。指定黑体后，中文才能正常显示。如果在Linux服务器上跑，先执行fc-list :lang=zh查看有哪些中文字体，再选一个路径填进去。这个问题不算难，但几乎每个人都会遇到一次。

5. 高频词与词云：把分析结果变成好看的图（进阶技巧）

5.1 从分类结果到高频词：统计正向和负向评论的关键词

模型训练完之后，除了分类准确率，我还习惯单独统计正负向的高频词，这是报告里最有说服力的部分。比如正向评论里出现最多的是“好吃”“快”“新鲜”，负向评论里出现最多的是“难吃”“漏”“慢”，一眼就能看出外卖用户最关心什么。

from collections import Counter def get_top_words(comments, stopwords, top_n=30): words = [] for c in comments: words.extend([w for w in jieba.lcut(c) if w not in stopwords and len(w) > 1]) return Counter(words).most_common(top_n) pos_words = get_top_words(pos_df['comment'], stopwords, top_n=30)

逻辑说明：get_top_words把每一条评论切词，过滤停用词，再用Counter统计频次，most_common(30)返回频次最高的30个词。注意这里用的是切分后的正向评论集pos_df，不是原始数据。如果你把pos_words直接写成txt，建议用别名pos_top_words.txt，避免覆盖原始候选词表pos_candi.txt。

5.2 用WordCloud生成正向/负向高频词图

生成词云时，我通常直接传入Counter对象，而不是传原文文本，因为这样能严格控制词频来源：

from wordcloud import WordCloud wc = WordCloud( font_path='C:/Windows/Fonts/simhei.ttf', background_color='white', width=800, height=600, max_words=100, colormap='Reds' ) wc.generate_from_frequencies(dict(pos_words)) wc.to_file('res/正向高频.png')

逻辑说明：generate_from_frequencies接收一个字典，键是词，值是频次。width和height控制画布尺寸，max_words限制最多显示100个词，避免词云太拥挤。负向图可以把colormap换成'Blues'，这样正负向的图在风格上一目了然。

我也试过用matplotlib的barh画横向条形图，把Top 20词列出来，效果比词云更精确：

import matplotlib.pyplot as plt words, counts = zip(*pos_words[:20]) plt.figure(figsize=(8, 6)) plt.barh(list(reversed(words)), list(reversed(counts))) plt.xlabel('频次') plt.tight_layout() plt.savefig('res/正向高频_bar.png', dpi=150)

逻辑说明：barh画横向条形，reversed是为了让频次最高的词显示在顶部。这个图在课程设计报告里比词云更好解释，因为数字是精确的。词云适合封面展示，条形图适合正文论证。

从那以后，我每次拿到新的评论数据，都会先跑一次df.head()和value_counts()，确认编码、列名和标签分布，再决定是否按行号切分。词云也先检查字体路径，不然图再好看也是白费。希望这份拆解能帮到你，少走一点弯路。

本文还有配套的精品资源，点击获取