用python进行金融市场文本数据的情感计算
推荐阅读
之前我依据一篇论文中的中文金融情感词典CFSD(chinese financial sentiment dictionary)，
一、tushare介绍
tushare库是目前比较流行的开源免费的经济数据库，tushare有普通版和高级版，其中普通版无需积分就可以使用，而高级版需要使用积分才可使用。
tushare基础班提供了包括：
交易数据，如历史行情、复权数据、实时行情等
投资参考数据，如分配方案、业绩预告、限售股解禁、基金持股、新浪数据、融资融券
股票分类数据、行业、概念、地域、中小板、创业板、封校警示板生
基本面数据、股票列表、业绩报告（主表）、盈利能力、营运能力、偿债能力等
宏观经济数据，如存款利率、贷款利率、GDP数据、工业品出场价格指数、居民消费节各直属
新闻事件数据，如新浪股吧
龙虎榜数据
银行间同业拆放理论
电影票房
安装
!pip3 install tushareRun
Collecting tushare
[?25l Downloading https://files.pythonhosted.org/packages/a9/8b/2695ad38548d474f4ffb9c95548df126e82adb24e56e2c4f7ce1ef9fbd01/tushare-1.2.43.tar.gz (168kB)
[K 100% |████████████████████████████████| 174kB 162kB/s ta 0:00:01
[?25hBuilding wheels for collected packages: tushare
Running setup.py bdist_wheel for tushare ... [?25ldone
[?25h Stored in directory: /Users/thunderhit/Library/Caches/pip/wheels/4b/28/7b/62d7a4155b34be251c1840e7cecfa4c374812819c59edba760
Successfully built tushare
Installing collected packages: tushare
Successfully installed tushare-1.2.43
[33mYou are using pip version 18.1, however version 19.2.3 is available.
You should consider upgrading via the 'pip install --upgrade pip' command.[0m二、新闻数据
新闻事件接口主要提供国内财经、证券、港股和期货方面的滚动新闻，以及个股的信息地雷数据。但目前只有新浪股吧api的接口可用，其他的需要使用tushare高级版。
获取sina财经股吧首页的重点消息。股吧数据目前获取大概17条重点数据，可根据参数设置是否显示消息内容，默认情况是不显示。
参数说明：
show_content:boolean,是否显示内容，默认False
返回值说明：
title, 消息标题
content, 消息内容（show_content=True的情况下）
ptime, 发布时间
rcounts,阅读次数
调用方法
import tushare as ts
#显示详细内容
newsdata = ts.guba_sina(show_content=True)
newsdata.head(10)
三、读取词典
之前制作的中文金融情感词典是csv文件格式，我们使用pandas读取
import pandas as pd
df = pd.read_csv('CFSD/pos.csv', encoding='gbk')
df.head()
我们将读取词典定义成函数
def read_dict(file, header):
"""
file: 词典路径
header: csv文件内字段名，如postive
读取csv词典，返回词语列表
"""
df = pd.read_csv(file, encoding='gbk')
return list(df[header])
poswords = read_dict(file= 'CFSD/pos.csv', header = 'postive')
negwords = read_dict(file= 'CFSD/neg.csv', header ='negative')
negwords[:5]run
['闭门造车', '闭塞', '云里雾里', '拖累', '过热']三、情感分析方法
这里我们对新闻content内容进行情感分析，分析的思路是统计content中正、负词的占比。我们会用到pandas的 df.agg(func)方法对content列进行文本计算。这需要先定义一个待调用的情感计算函数,注意有可能出现分母为0，所以定义的函数使用了try except捕捉0除异常，返回0
def pos_senti(content):
"""
content: 待分析文本内容
返回正面词占文本总词语数的比例
"""
try:
pos_word_num = 0
words = jieba.lcut(content)
for kw in poswords:
pos_word_num += words.count(kw)
return pos_word_num/len(words)
except:
return 0
def neg_senti(content):
"""
content: 待分析文本内容
返回负面词占文本总词语数的比例
"""
try:
neg_word_num = 0
words = jieba.lcut(content)
for kw in negwords:
neg_word_num += words.count(kw)
return neg_word_num/len(words)
except:
return 0对content列分别施行情感计算函数possenti，negsenti，将得到的得分赋值给pos、neg列
newsdata['pos']=newsdata['content'].agg(pos_senti)
newsdata['neg']=newsdata['content'].agg(neg_senti)
newsdata.head(10)
我们的数据中出现了pos和neg两个得分，我们还可以定义一个判断函数，判断文本的情绪分类。
当pos比neg大，判断为'正'
当pos比neg小，判断为'负'
这里不严谨，为了教程简单，没考虑相等的情况
newsdata['senti_classification'] = newsdata['pos']>newsdata['neg']
newsdata['senti_classification'] = newsdata['senti_classification'].map({True:"正", False:"负"})
newsdata.head(10)
总结
至此，简单的情感计算就实现了。大家使用本文时，要注意：
本文使用的情感词典是CFSD中文金融情感词典，大家可以用自己领域的词典，得到poswords和negwords
还有要注意的是情感计算函数（possenti和negsenti），有不同的算法就有不同的结果
正负面倾向判断，我这里比较粗糙，没有考虑相等的中性问题。
注意以上几点，本文的代码就可复用。不过再好的代码，前提是会python，会懂编程思维，知道如何写代码改代码，不然大家用起来也比较困难。广告再次袭来
2019年10月4日-6日，杭州
咨询请加微信，记得备注”工作坊”
1
欢迎扫码咨询！！