我有一个这种形状的词典

我想创建一个新列表，其中包含基于词典添加每个单词的分数的每个句子的分数，如果没有单词存在，则在我实现我的代码时添加零，我len(lex_score) = 3679在添加 elif 条件后得到len(lex_score) = 95079

len(lex_score) 应该等于 6064

我想在包含每个句子分数的数据框中创建一个新列。我究竟做错了什么？有没有更好的方法呢？

我有两个单词向量。

我需要在 Lexicon 和 Corpus 之间做出尽可能好的匹配。我尝试了很多方法。这是其中之一。

但是，比赛应该是：

相反，匹配的是我的词典中按字母顺序排列的第一个单词。顺便说一句，这些向量是我拥有的更大列表的样本。

我没有尝试使用 regex() 因为我不确定它是如何工作的。也许解决方案就是这样。

你能帮我解决这个问题吗？谢谢您的帮助。

我正在分析数据框中包含单词的列most_used_words。2180字。

当我inner_join使用 AFINN 词典时，2180 个单词中只有 364 个被评分。这是因为 AFINN 词典中的单词没有出现在我的数据框中吗？如果是这样的话，我很害怕这可能会在我的分析中引入偏见。我应该使用不同的词典吗？还有其他事情正在发生吗？

我有一个需要解决的案例，但我已经坚持了将近一个星期没有解决方案。情况就是这样。我有三个变量：

我想要做的是我想将变量“候选人”中的单词与“种子”中的单词配对，在推文上将它们循环在一起，并在循环后给变量“候选人”中的每个单词打分。

例如：对于我配对的第一个循环：

并将它们循环到变量“tweets”中的字符串上，并根据这些对在可变推文的句子中出现的次数给出分数。所以在这种情况下，我将得到的单词“you”与变量“seeds”中的所有单词配对的分数是 3。

并继续第二个循环，其中的对是：

并将它们再次循环到变量“tweets”中的字符串，并根据这些对在变量推文的句子中出现的次数给出分数。所以在这种情况下，我将得到的单词“you”与变量“seeds”中的所有单词配对的分数是 1。

我希望我的程序能够自动从变量“候选人”与变量“种子”中的单词配对返回每个单词的分数，并将它们一起循环到变量“推文”中的字符串。

上面是我创建的脚本来做我想做的事，但它没有按照我想要的方式工作。所以请有人知道如何解决我的这个问题吗？已经一个星期了，我还没有找到解决方案。

我正在尝试使用 AFINN 字典（get_sentiments（“afinn”））对推文数据集的情绪。下面提供了数据集的示例：

我想要做的是： 1. 将推文分成单独的单词。2. 使用 AFINN 词典对这些单词进行评分。3. 将每条推文的所有单词的得分相加 4. 将这个和返回到新的第三列，这样我就可以看到每条推文的得分。

对于类似的词典，我发现了以下代码：

但是，我无法调整此代码以使其与 afinn 字典一起使用。

我想使用 R 中的 textstem 包从单词的所有可能形式中获得引理“潜水”。

但是当我在r中使用textstem包时，基本形式变成了一个很奇怪的结果。

在这里，我不想将“dive”作为“dive”这个词的结果，而是需要将“dive”这个词词形还原为“dive”，这样它就可以和其他形式的“dived”算作同一个词， “潜水”。所以应该是这样的，如下。

我找到了这个链接（tm 包中的 stemDocment 不适用于过去时词），但在我的情况下它可能没有用，因为我必须处理超过 80,000 条评论，而且我很可能会遇到不同单词的相同问题.

我lemmatize_strings用于我拥有的数据集，但它给出了完全相同的结果（虽然它有点明显）。谁能帮帮我吗？

非常感谢您！

我正在使用 Python 的 nltk 库中的 VADER 情感词典来分析文本情感。这个词典不太适合我的领域，所以我想将我自己的情感分数添加到各种单词中。所以，我得到了词典文本文件（vader_lexicon.txt）来做到这一点。但是，我不太了解该文件的体系结构。例如，像 obliterate 这样的词在文本文件中会有以下数据： obliterate -2.9 0.83066 [-3, -4, -3, -3, -3, -3, -2, -1, -4, - 3]

显然，-2.9 是列表中情绪得分的平均值。但是 0.83066 代表什么？

谢谢！

我从 Itellij IDEA 运行这个。

我有必要的插件和驱动程序，但无法弄清楚为什么会出现此错误。

请在图片中找到代码

文档级和句子级分析的最佳词典是什么？我目前正在使用 Vader 进行句子级别的分析，但是我担心当我转到文档级别时，Vader 的性能可能不如其他人。

与此处的帖子类似的问题，但更具体。

我希望有人纠正我对 VADER 如何对文本进行评分的理解。我在这里阅读了这个过程的解释，但是在重新创建它描述的过程时，我无法将测试句子的复合分数与 Vader 的输出相匹配。假设我们有这句话：

VADER 选择的词是“喜欢”（+1.5 分）和“有趣”（+2.3）。根据文档，将这些值相加（因此 +3.8），然后使用以下函数将其归一化为 0 到 1 之间的范围：

根据我们的数字，这应该变成：

然而，VADER 会输出返回的复合分数，如下所示：

我的推理哪里出错了？类似的问题已被多次提出，但尚未提供 VADER 分类的实际示例。任何帮助，将不胜感激。