Ctrl+K

Sentimentanalyse i aviskorpus

#!pip install -U dhlab
import os 
import datetime as dt
import pandas as pd

import dhlab as dh
from digital_tekstanalyse.sentiment import load_corpus_from_file, compute_sentiment_analysis, add_urls

2.1. Sentimentanalyse i aviskorpus#

  1. Angi nøkkelord

  2. Hent inn korpus

  3. Score sentiment for forekomster av et ord

  4. Lagre resultater i CSV-fil

# INPUT KREVES
word = "biblioteket"    # Nøkkelord som skal forekomme i tekstene

2.1.1. Korpusdefinisjon#

Fyll inn filsti til lokal csv- eller excel-fil med korpusdefinisjon:

# INPUT KREVES
file_path = "FYLL INN"

Eventuelt definer et korpus direkte med parametere.

# INPUT KREVES
city="Kristiansand"     # Publiseringssted for avisene
from_year=2000          # Start for tidsperiode det søkes i
to_year=2022            # Slutt for tidsperiode
number_of_docs=10000    # Maks antall dokumenter i tekstutvalget

# corpus-variabelen peker til korpusdefinisjonen, som et dhlab.Corpus-objekt

if os.path.exists(file_path):
    corpus = load_corpus_from_file(file_path)

    print("Lastet corpus fra fil: ", file_path)
else:
    corpus = dh.Corpus(
        doctype="digavis", 
        fulltext=word, 
        freetext=f"city: {city}",
        from_year=from_year,
        to_year = to_year,
        limit=number_of_docs
    )

    print("Lastet corpus fra parametere: ")
    print(f"Aviser, utgitt mellom {from_year} og {to_year} i {city}, der ordet \"{word}\" forekommer.")

print(f"corpus består av {corpus.size} utgivelser")

Lastet corpus fra parametere: 
Aviser, utgitt mellom 2000 og 2022 i Kristiansand, der ordet "biblioteket" forekommer.
corpus består av 3441 utgivelser

Valgfritt: Sett save_to_file=True hvis du vil lagre resulterende korpus til en ny, datostemplet CSV-fil

# INPUT KREVES
save_to_file=False       # Hvorvidt tekstutvalget skal lagres som CSV-fil, til senere bruk

if save_to_file:
    new_file_path = f"corpus_avis_{corpus.frame.year.min()}_{corpus.frame.year.max()}_{city}_{word}_created{dt.date.today()}.csv"
    corpus.to_csv(new_file_path)

2.1.2. Sentimentscore#

Kontekstene der nøkkelordet forekommer hentes ut fra korpuset, og vi beregner er sentimentscore på hvert tekstutdrag.

Det er en enkel analyse, med positive og negative ordlister: Vi regner ut differansen mellom summene av positive og negative ord i konteksten.

Ordlistene vi bruker her, NorSentLex, er utviklet av LTG-gruppen ved UiO ifm. SANT-prosjektet.

# Beregn en sentimentscore til kontekstene der nøkkelordet forekommer.
result = compute_sentiment_analysis(corpus, word)

result.head()
dhlabid urn title city timestamp year doctype word count index positive negative sentimentscore
0 201310946 URN:NBN:no-nb_digavis_oestsida_null_null_20050... oestsida Kristiansand 20050914 2005 digavis biblioteket 1 14 2 0 2
1 201310918 URN:NBN:no-nb_digavis_oestsida_null_null_20040... oestsida Kristiansand 20040310 2004 digavis biblioteket 6 12 2 1 1
2 201310918 URN:NBN:no-nb_digavis_oestsida_null_null_20040... oestsida Kristiansand 20040310 2004 digavis biblioteket 6 13 3 1 2
3 201310918 URN:NBN:no-nb_digavis_oestsida_null_null_20040... oestsida Kristiansand 20040310 2004 digavis biblioteket 6 8 1 1 0
4 201310918 URN:NBN:no-nb_digavis_oestsida_null_null_20040... oestsida Kristiansand 20040310 2004 digavis biblioteket 6 9 1 1 0

2.1.2.1. Tilbakekobling fra datapunkt til kildetekst:#

URNene i datarammen er referanser til de scannede dokumentene. Ved å bytte ut “URN” i følgende adresse med en reell verdi kan du lese avisen i nettbiblioteket (nb.no): https://www.nb.no/items/URN

f.eks. https://www.nb.no/items/URN:NBN:no-nb_digavis_kristiansandavis_null_null_20100204_4_5_1

Vi har også en funksjon som konstruerer URLene og lagrer dem til en ny kolonne i datarammen. Outputet fra kodeblokken under må kopieres og limes inn i nettleseren.

row_number = 1  # Endre radnummeret etter eget ønske

result = add_urls(result)
print(result.url[row_number])

https://www.nb.no/items/URN:NBN:no-nb_digavis_oestsida_null_null_20040310_3_5_1?searchText=biblioteket

result
dhlabid urn title city timestamp year doctype word count index positive negative sentimentscore url
0 201310946 URN:NBN:no-nb_digavis_oestsida_null_null_20050... oestsida Kristiansand 20050914 2005 digavis biblioteket 1 14 2 0 2 https://www.nb.no/items/URN:NBN:no-nb_digavis_...
1 201310918 URN:NBN:no-nb_digavis_oestsida_null_null_20040... oestsida Kristiansand 20040310 2004 digavis biblioteket 6 12 2 1 1 https://www.nb.no/items/URN:NBN:no-nb_digavis_...
2 201310918 URN:NBN:no-nb_digavis_oestsida_null_null_20040... oestsida Kristiansand 20040310 2004 digavis biblioteket 6 13 3 1 2 https://www.nb.no/items/URN:NBN:no-nb_digavis_...
3 201310918 URN:NBN:no-nb_digavis_oestsida_null_null_20040... oestsida Kristiansand 20040310 2004 digavis biblioteket 6 8 1 1 0 https://www.nb.no/items/URN:NBN:no-nb_digavis_...
4 201310918 URN:NBN:no-nb_digavis_oestsida_null_null_20040... oestsida Kristiansand 20040310 2004 digavis biblioteket 6 9 1 1 0 https://www.nb.no/items/URN:NBN:no-nb_digavis_...
... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
5577 200486128 URN:NBN:no-nb_digavis_faedrelandsvennen_null_n... faedrelandsvennen Kristiansand 20161121 2016 digavis biblioteket 7 6252 1 1 0 https://www.nb.no/items/URN:NBN:no-nb_digavis_...
5578 200486128 URN:NBN:no-nb_digavis_faedrelandsvennen_null_n... faedrelandsvennen Kristiansand 20161121 2016 digavis biblioteket 7 6248 3 2 1 https://www.nb.no/items/URN:NBN:no-nb_digavis_...
5579 200486482 URN:NBN:no-nb_digavis_faedrelandsvennen_null_n... faedrelandsvennen Kristiansand 20180122 2018 digavis biblioteket 1 6504 0 1 -1 https://www.nb.no/items/URN:NBN:no-nb_digavis_...
5580 200486327 URN:NBN:no-nb_digavis_faedrelandsvennen_null_n... faedrelandsvennen Kristiansand 20170721 2017 digavis biblioteket 2 6380 0 0 0 https://www.nb.no/items/URN:NBN:no-nb_digavis_...
5581 200486327 URN:NBN:no-nb_digavis_faedrelandsvennen_null_n... faedrelandsvennen Kristiansand 20170721 2017 digavis biblioteket 2 6381 1 0 1 https://www.nb.no/items/URN:NBN:no-nb_digavis_...

5582 rows × 14 columns

2.1.3. Visualiser resultatet#

r = result[["year","positive", "negative", "sentimentscore"]]
rgroup = r.groupby("year")[["sentimentscore", "positive", "negative"]].sum() 
rgroup.plot()

<Axes: xlabel='year'>
../_images/3504f2404f24bd13baea613a81cf310f3e08d70ae5cd8e098a7f4f04e31c25f3.png

2.1.4. Lagre data#

Skriv utdata til en CSV-fil på ditt lokale filsystem:

Kolonne

Beskrivelse

dhlabid

DH-labens ID-nummer for det digitale tekstobjektet (OCR-scannet tekst) i databasene

urn

Unique Resource Name (digitalt bilde av tekstdokumentet, tilgjengelig i nettbiblioteket)

title

Avistittel, navn på publikasjon

city

Publiseringssted (oftest en by)

timestamp

datostempel i ISO-format (YYYYMMDD)

year

årstall for publikasjonen

doctype

Dokumenttype (her er det bare aviser, “digavis”)

word

nøkkelord i tekstutdragene (konkordansene) som sentimentanalysen ble utført på

count

ordfrekvens: antall ganger nøkkelordet forekommer i den gitte avisutgivelsen

positive

antall positive ord i kontekstene nøkkelordet forekommer i

negative

antall negative ord i kontekstene

sentimentscore

differansen positiv score - negativ score

url

lenke til avisen i nettbiblioteket, inkl. søk på nøkkelordet

 
outputfile = f"sentimentanalyse_aviskorpus_{from_year}-{to_year}_{dt.date.today()}.csv"
result.to_csv(outputfile)
Contents