人人都能上手的 Python 文本情感分析:用 TextBlob 判断英文评论情绪倾向

前面我们已经讲过SnowNLP、VADER和情感词典法。

SnowNLP更适合中文短文本情感分析，VADER更适合英文短文本和社交媒体评论，情感词典法则更适合需要解释规则和判断依据的中文文本分析。

那如果我们手里有一批英文评论，想快速做情感分析，但又不想一开始就训练复杂模型，还可以用什么方法呢？

这篇文章就介绍一个非常适合入门的英文文本处理工具——TextBlob。

TextBlob的特点是简单、直接、上手快。它不仅可以做英文情感分析，还可以做词性标注、名词短语提取、n-gram 分析、文本分类等基础文本处理任务。对于刚开始学习 Python 文本分析的同学来说，它很适合作为入门工具。

简单来说，如果你想快速判断一条英文评论是积极还是消极，或者想知道一段英文文本更像“客观描述”还是“主观评价”，TextBlob就可以派上用场。

一、什么是 TextBlob？

TextBlob是一个 Python 文本处理库，可以理解为一个比较友好的英文 NLP 入门工具。

它把很多常见文本处理功能封装成了比较简单的 API。我们不需要一开始就理解复杂的模型结构，也不需要自己手动写很多底层代码，就可以完成一些基础文本分析任务。

比如，它可以帮助我们做：

• 英文文本情感分析
• 文本主观性分析
• 英文词性标注
• 名词短语提取
• n-gram 短语提取
• 简单文本分类
• 拼写检查与校正

其中，最适合我们这个系列的功能，就是英文文本情感分析。

TextBlob做情感分析时，最常用的是两个指标：

• polarity：情感极性，表示文本偏积极还是偏消极。
• subjectivity：主观性，表示文本更像主观观点还是客观事实。

polarity的取值范围通常是-1 到 1。越接近 1，说明文本越偏积极；越接近 -1，说明文本越偏消极；越接近 0，说明文本情感倾向越不明显。

subjectivity的取值范围通常是0 到 1。越接近 1，说明文本越主观；越接近 0，说明文本越客观。

💡对比示例：

• “*This product is amazing!*” —— 这句话明显带有主观评价，而且偏积极。
• “*The package arrived on Monday.*” —— 这句话更像一个事实描述，主观情绪就不明显。

这就是TextBlob比较有意思的地方：它不仅能看积极或消极，还能帮助我们判断文本是不是带有明显主观态度。

二、TextBlob 适合分析什么数据？

TextBlob更适合处理英文文本，尤其是一些比较短、表达比较直接的英文评论。

📌 比如：

• 英文商品评论
• 英文酒店评论
• 英文旅游评论
• 英文电影评论
• 英文社交媒体帖子
• 英文问卷开放题
• 英文新闻评论
• 英文 App 评论

如果你的数据是中文，TextBlob并不是最合适的选择。中文文本更建议优先考虑SnowNLP、中文情感词典、BERT 中文情感分类等方法。

如果你的数据是英文，TextBlob就很适合做一个快速入门版分析。比如你只是想先看看评论整体偏积极还是偏消极，或者想在课程作业中完成一个基础英文情感分析案例，TextBlob的门槛会比较低。

不过也要注意：TextBlob更适合基础分析和快速原型。如果你追求更高准确率，或者数据量很大、文本语境很复杂，后续可以考虑VADER、机器学习模型、BERT或其他深度学习方法。

三、TextBlob 和 VADER 有什么区别？

很多同学会问：既然VADER也能做英文情感分析，那TextBlob和VADER有什么区别？

可以简单这样理解：

• VADER更适合英文社交媒体短文本，尤其是推文、评论、带感叹号、表情、程度强调的文本。它对英文短文本中的口语化表达比较友好。
• TextBlob更像是一个综合型英文文本处理工具。它不只做情感分析，还可以做词性标注、名词短语提取、n-gram、文本分类等任务。

所以，如果你只是想专门分析英文短评论的情绪倾向，VADER很合适；如果你还想顺便做一些英文文本处理，比如提取短语、看主观性、做简单分类，那么TextBlob会更方便。

简单来说：

• VADER更偏“英文短文本情感分析工具”；
• TextBlob更偏“英文文本处理入门工具”。

这两个工具并不是谁完全替代谁，而是适合的场景不太一样。

四、安装 TextBlob

首先安装TextBlob：

pip install textblob

有些功能需要下载语料资源，可以继续运行：

python -m textblob.download_corpora

然后在 Python 中导入：

from textblob import TextBlob

如果你只是做基础情感分析，通常这样就可以开始了。

五、用 TextBlob 分析一条英文评论

我们先看一个最简单的例子：

from textblob import TextBlobtext = "This product is amazing. I really love it."blob = TextBlob(text)print(blob.sentiment)print("情感极性 polarity:", blob.sentiment.polarity)print("主观性 subjectivity:", blob.sentiment.subjectivity)

运行后可能会得到类似结果：

Sentiment(polarity=0.65, subjectivity=0.75)情感极性 polarity: 0.65主观性 subjectivity: 0.75

这里的polarity大于 0，说明这句话整体偏积极；subjectivity也比较高，说明这句话带有比较明显的主观评价。

再看一个偏负面的例子：

from textblob import TextBlobtext = "The service was terrible and the room was dirty."blob = TextBlob(text)print("情感极性 polarity:", blob.sentiment.polarity)print("主观性 subjectivity:", blob.sentiment.subjectivity)

如果polarity小于 0，就说明这条评论整体偏消极。

六、如何根据 polarity 划分积极、中性和消极？

TextBlob会给出polarity分数，但实际做论文或项目时，我们通常还需要把文本划分为积极、中性和消极三类。

可以用一个简单规则：

• polarity > 0，判为积极；
• polarity < 0，判为消极；
• polarity = 0，判为中性。

不过实际项目中，为了避免过于敏感，也可以设置一个小阈值。比如：

• polarity > 0.05，判为积极；
• polarity < -0.05，判为消极；
• -0.05 到 0.05 之间，判为中性。

代码可以这样写：

defclassify_sentiment(polarity):if polarity > 0.05:return"积极"elif polarity < -0.05:return"消极"else:return"中性"

然后测试一下：

text = "The food is good, but the delivery is too slow."blob = TextBlob(text)polarity = blob.sentiment.polaritysentiment = classify_sentiment(polarity)print("polarity:", polarity)print("情感分类:", sentiment)

这样，一条英文评论就可以被转换成情感得分和情感类别。

七、分析 Excel 中的一列英文评论

实际做论文或课程作业时，我们通常不是分析一句话，而是分析一整列评论。

假设你的 Excel 文件里有一列叫做comment，可以这样读取：

import pandas as pdfrom textblob import TextBlobdf = pd.read_excel("英文评论数据.xlsx", engine="openpyxl")df = df.dropna(subset=["comment"])df.head()

定义情感分析函数：

defget_polarity(text):    blob = TextBlob(str(text))return blob.sentiment.polaritydefget_subjectivity(text):    blob = TextBlob(str(text))return blob.sentiment.subjectivitydefclassify_sentiment(polarity):if polarity > 0.05:return"积极"elif polarity < -0.05:return"消极"else:return"中性"

开始批量分析：

df["polarity"] = df["comment"].apply(get_polarity)df["subjectivity"] = df["comment"].apply(get_subjectivity)df["情感分类"] = df["polarity"].apply(classify_sentiment)df.head()

保存结果：

import osos.makedirs("result", exist_ok=True)df.to_excel("./result/TextBlob情感分析结果.xlsx", index=False, engine="openpyxl")

保存后的表格中，就会多出polarity、subjectivity和情感分类三列。

其中：

• polarity可以用来分析评论是偏积极还是偏消极；
• subjectivity可以用来分析评论是更主观还是更客观；
• 情感分类可以用于统计积极、中性、消极评论数量。

八、TextBlob 的主观性得分有什么用？

很多情感分析工具只关注积极和消极，但TextBlob还会输出subjectivity，也就是主观性。

这个指标有时候也很有用。

👥比如下面两句话：

1. “*The hotel is located near the subway station.*” —— 这句话主要是在描述位置，更像客观事实。
2. “*The hotel is wonderful and I really enjoyed my stay.*” —— 这句话明显带有主观评价。

如果我们分析的是用户评论，subjectivity可以帮助我们判断评论是偏事实描述，还是偏个人感受。

📝在论文或报告中，可以这样解释：

subjectivity得分越高，说明评论越带有主观评价色彩；subjectivity得分越低，说明评论更接近事实描述。通过分析主观性得分，可以进一步观察用户评论中情绪表达和事实陈述的比例。

这对于英文酒店评论、英文旅游评论、英文商品评论都比较有用。

九、TextBlob 还能做什么文本处理？

除了情感分析，TextBlob还可以做一些基础文本处理。

1. 提取名词短语：

from textblob import TextBlobtext = "Natural language processing is an important field in artificial intelligence."blob = TextBlob(text)print(blob.noun_phrases)

2. 做词性标注：

from textblob import TextBlobtext = "TextBlob is a simple Python library for text processing."blob = TextBlob(text)print(blob.tags)

3. 提取 n-gram：

from textblob import TextBlobtext = "Python text analysis is useful for social science research."blob = TextBlob(text)print(blob.ngrams(n=2))print(blob.ngrams(n=3))

n-gram可以理解为连续出现的词组。比如二元短语就是两个词一组，三元短语就是三个词一组。

在文本分析中，n-gram可以帮助我们发现一些固定搭配，比如：

• customer service
• delivery speed
• product quality
• social media
• machine learning

这些短语在英文评论分析和英文论文摘要分析中都比较常见。

十、用 TextBlob 做简单文本分类

TextBlob还支持简单的文本分类。比如我们可以自己准备一小部分训练数据，让模型学习哪些评论是积极，哪些评论是消极。

先准备训练数据：

from textblob.classifiers import NaiveBayesClassifiertrain_data = [    ("This product is excellent", "pos"),    ("I love this design", "pos"),    ("The service is very good", "pos"),    ("This is a terrible experience", "neg"),    ("The quality is poor", "neg"),    ("I hate this product", "neg")]

训练一个朴素贝叶斯分类器：

cl = NaiveBayesClassifier(train_data)

测试一条新评论：

test_text = "The product quality is good"print(cl.classify(test_text))

也可以查看分类概率：

prob_dist = cl.prob_classify(test_text)print("pos 概率:", prob_dist.prob("pos"))print("neg 概率:", prob_dist.prob("neg"))

如果想和TextBlob结合使用，也可以这样写：

from textblob import TextBlobblob = TextBlob("The service is poor but the food is good.", classifier=cl)print(blob.classify())

这个例子只是演示思路。正式研究中，如果要训练分类器，最好准备更多标注数据，并划分训练集和测试集，再用准确率、召回率、F1 值等指标评估模型效果。

十一、TextBlob 情感分析结果怎么可视化？

TextBlob得到polarity、subjectivity和情感分类后，可以做很多图表。

常见的图包括：

• 情感分类数量柱状图
• 情感分类占比饼图
• polarity 得分分布图
• subjectivity 得分分布图
• 不同类别下的情感对比图
• 不同时间段的情感变化趋势图

比如画情感分类柱状图：

import matplotlib.pyplot as pltimport seaborn as snsplt.rcParams["font.sans-serif"] = ["Songti SC"]plt.rcParams["axes.unicode_minus"] = Falseplt.figure(figsize=(8, 6))sns.countplot(data=df, x="情感分类", color="skyblue")plt.title("TextBlob 情感分类数量对比")plt.xlabel("情感分类")plt.ylabel("数量")plt.grid(axis="y", linestyle="--", alpha=0.7)plt.savefig("./result/TextBlob情感分类数量对比.png", dpi=300, bbox_inches="tight")plt.show()

画polarity 得分分布图：

plt.figure(figsize=(8, 6))sns.histplot(data=df, x="polarity", bins=20, kde=True, color="skyblue")plt.title("TextBlob polarity 情感极性分布")plt.xlabel("polarity 得分")plt.ylabel("频数")plt.grid(axis="y", linestyle="--", alpha=0.7)plt.savefig("./result/TextBlob情感极性分布.png", dpi=300, bbox_inches="tight")plt.show()

画subjectivity 分布图：

plt.figure(figsize=(8, 6))sns.histplot(data=df, x="subjectivity", bins=20, kde=True, color="skyblue")plt.title("TextBlob subjectivity 主观性分布")plt.xlabel("subjectivity 得分")plt.ylabel("频数")plt.grid(axis="y", linestyle="--", alpha=0.7)plt.savefig("./result/TextBlob主观性分布.png", dpi=300, bbox_inches="tight")plt.show()

这些图很适合放在课程论文、研究报告或公众号文章中。相比只展示表格，可视化结果更直观，也更容易解释。

十二、TextBlob 结果怎么写进论文？

很多同学不是不会跑代码，而是不知道怎么把结果写成论文语言。

TextBlob的结果可以围绕两个指标来写：一个是情感极性polarity，一个是主观性subjectivity。

📝 方法部分可以这样写：

本文采用TextBlob工具对英文评论文本进行情感分析。TextBlob可以输出文本的情感极性得分polarity和主观性得分subjectivity。其中，polarity用于衡量文本情感倾向，取值越接近 1 表示越积极，越接近 -1 表示越消极；subjectivity用于衡量文本的主观性，取值越高说明文本越带有主观评价色彩。本文根据polarity得分将评论划分为积极、中性和消极三类，以进一步分析样本评论的整体情感结构。

📝 结果部分可以这样写：

从总体情感分类结果来看，积极评论数量占比较高，说明用户整体评价偏向正面；中性评论主要表现为事实描述或情感态度不明显的反馈；负面评论虽然占比较低，但仍反映出用户在服务体验、产品质量、价格感知等方面存在一定不满。

📝 如果分析 subjectivity，可以这样写：

从主观性得分分布来看，样本评论整体具有较强的主观评价特征，说明用户在评论中不仅描述事实，也表达了较为明确的个人态度和情绪感受。

📝 如果结合主题分析，可以这样写：

进一步将TextBlob情感分析结果与主题识别结果进行交叉分析可以发现，不同主题下的情感倾向存在一定差异。其中，服务体验类主题中负面评论占比较高，说明用户对服务效率、沟通态度等方面较为敏感；而产品质量类主题中积极评论较多，说明用户对核心功能或使用效果认可度较高。

十三、TextBlob 使用中的注意事项

TextBlob很适合入门，但它也不是万能的。

• ❌首先，TextBlob 更适合英文文本。如果你的数据是中文，不建议直接使用TextBlob做情感分析。中文评论更适合SnowNLP、中文情感词典、BERT 中文情感分类等方法。
• ❌其次，TextBlob 适合快速分析和小型项目。如果你的数据量非常大，或者研究对准确率要求很高，可以考虑使用VADER、机器学习模型或BERT等方法进行对比。
• ❌再次，TextBlob 对复杂语境的理解有限。比如讽刺、反语、隐喻、专业表达和复杂上下文，都可能影响判断结果。
• ❌最后，论文写作时最好进行人工抽样验证。可以随机抽取部分文本，人工判断其情感类别，再和TextBlob的结果进行对比。如果判断基本一致，结果解释会更有说服力。

十四、新手推荐选题方向

如果你想用TextBlob做一篇课程论文、实证分析或研究报告，可以从英文评论类数据入手，比如：

• 🛒 英文亚马逊商品评论的情感分析
• 🏨 英文酒店评论的情绪倾向研究
• 🏞️ 英文旅游评论的用户满意度分析
• 📱 英文 YouTube 评论情感分析
• 💻 英文 App 用户评价的情感分析
• 📰 英文新闻评论的主观性分析
• 📝 英文问卷开放题的情感分类研究

这些选题有一个共同特点：数据相对容易收集，文本长度通常不会太长，情绪表达也比较直接，适合用 TextBlob 做入门版分析。

十五、总结：TextBlob 适合谁？

如果你刚开始接触英文文本分析，TextBlob是一个很适合入门的工具。

它的优点是简单、直接、代码少。只需要几行 Python 代码，就可以得到英文文本的polarity和subjectivity得分，并进一步判断文本是积极、中性还是消极。

简单来说：

• SnowNLP适合中文短文本入门情感分析；
• VADER适合英文短文本和社交媒体评论情感分析；
• TextBlob适合英文文本处理和基础情感分析；
• 情感词典法适合需要解释规则和情感词来源的研究；
• 机器学习方法适合有标注数据的分类任务；
• BERT 情感分类更适合追求准确率和语义理解的项目。

TextBlob的价值不只是帮我们判断一条英文评论是好评还是差评，它还可以帮助我们快速理解英文文本的情感极性和主观性，为后续的图表分析、主题分析和论文写作提供基础。

对于课程论文、研究报告和英文评论分析任务来说，TextBlob是一个非常适合初学者掌握的 Python 文本分析工具。

🛠️ 技术支持与服务

如果你手里已经有文本数据或者有想收集的数据，但不知道怎么清洗、建模和解释，或者你想做一篇文本挖掘、主题分析、情感分析相关的课程作业、论文实证部分或研究报告，我们可以提供相关技术支持：

• 文本数据采集与爬虫获取
• 文本数据清洗与去重
• 中文分词与停用词处理
• 高频词统计与词云图绘制
• LDA 主题分析
• BTM 短文本主题模型
• BERTopic 主题模型
• DTM 动态主题模型
• TopicGPT 大语言模型主题分析
• SnowNLP 中文情感分析
• VADER 英文情感分析
• TextBlob 英文情感分析
• 情感词典分析
• 主题演化分析
• 语义网络分析
• Python 代码复现与逐行讲解
• 论文方法部分与结果分析写作

除文本分析外，我们也承接中/英文及多语言 Python 文本分析，包括数据采集、文本清洗、LDA、BERTopic、BTM、DTM、TopicGPT、SnowNLP、VADER、TextBlob、情感词典、主题演化分析及语义网络关系图等；同时也可提供深度学习、Matlab、Simulink 仿真建模，以及基于SPSS、R、Mplus等软件的量化分析支持。

量化分析方向包括：z 检验、t 检验、方差分析、回归分析、卡方检验、相关分析、样本量计算、结构方程模型、中介效应与调节效应检验、量表信效度分析、机器学习算法等，具体需求均可根据研究主题和数据情况进行定制。

📬 如果你正好有文本数据、问卷数据想分析，或者目前还没有数据、想先获取公开文本数据，也欢迎通过本公众号后台留言或淘宝搜索数锐研学馆联系我们。

如果你觉得内容对你有帮助，欢迎收藏、点赞并关注本公众号。后续会持续更新数据分析相关内容，也欢迎分享给更多需要的人。无论你想了解哪种统计方法，都可以在评论区留言一起交流。