文章摘要部分： A 题： 抖音用户评论的文本情感分析 摘要 随着短视频平台的迅猛发展，抖音已成为全球最受欢迎的短视频分享平台之一。然而，随着用户数量和使用时长的增加，抖音团队需要不断优化平台功能、提升用户体验，以保持用户活跃度和满意度。为了达成这一目标，了解用户的反馈和行为数据显得尤为重要。本次分析旨在通过对抖音用户评论数据的多维度分析，揭示用户对抖音平台的评分、点赞数、评论时间、版本影响、情感倾向以及高频词汇等方面的情况，提出具体的改进建议，帮助抖音团队提升用户满意度和平台体验。 针对问题一，通过对抖音用户的评分和点赞数数据进行直方图绘制，发现评分数据集中在极高分和极低分之间，呈现离散分布；点赞数数据高度偏态，大部分点赞数较低但存在少量极高值，都不满足正太分布。通过Shapiro-Wilk检验和Kolmogorov-Smirnov检验确认了这一结果。我们对点赞数进行了对数变换后，发现变换后的点赞数分布更接近正态分布。这表明在后续分析中，需要考虑数据的非正态性。 问题二首先需要对数据进行预处理，将评论时间字段转换为标准的时间格式，并提取评论时间中的小时信息，以便分析一天中各个时间段的评论数量分布。通过绘制评论时间的直方图，发现用户评论主要集中在下午14点到19点之间，这段时间的用户活跃度最高。而凌晨0点到早晨6点的评论数量较少，显示用户在这段时间的活跃度最低。在版本分析中，版本11.5.2的平均评分最高，达到5.0，显示出用户对此版本的高度满意。版本24.9.3获得最多的点赞数，总计95,678，表明该版本发布的内容受到了用户的广泛欢迎。抖音团队可以利用这些数据分析，进一步改进未来版本的开发和用户互动策略，提升平台的整体满意度和活跃度。 在问题三中，首先从CSV文件中读取抖音评论数据，去除缺失值，并确保所有评论文本都是字符串类，以便进行自然语言处理。使用现有的中文情感分析工具：SnowNLP对评论文本进行情感分类。SnowNLP是一个适用于中文文本分析的工具，能够对中文评论进行情感得分计算，定义情感分类阈值，将情感归为“积极”，“消极”和“中立”。统计“积极”、“消极”和“中立”情感评论的数量和比例。通过饼图直观展示情感分类的结果。分析结果显示，积极情感的评论占比最高，为59.1%。这表明大多数用户对抖音APP持正面态度，认为其提供了良好的用户体验和满意的功能。消极情感的评论占比为29.4%，中立情感中立情感的评论占比为11.6%。 问题四的分析通过绘制所有评论以及积极、消极和中立评论的词云图，识别出抖音用户评论中的高频词汇。这些词汇反映了用户对抖音APP的主要关注点、满意度和不满之处，提供了用户情感的直观视图。通过加载并使用停用词表，我们确保词云图中展示的重要词汇更具代表性。从词云图中可以看出，积极评论中高频词汇如“nice”、“good”、“love”等显示用户对抖音APP的正面评价；而消极评论中高频词汇如“problem”、“fix”、“issue”等则反映了用户的不满和遇到的问题。抖音团队应重点关注消极评论中的负面反馈，进行技术优化和用户体验改进，同时进一步强化积极评价中的优势功能，提升整体用户满意度。 目录 摘要 一、问题重述 1.1问题背景 1.2要解决的问题 二、问题分析 2.1任务一的分析 2.2任务二的分析 2.3任务三的分析 2.4任务四的分析 三、问题假设 四、模型原理 4.1Kolmogorov-Smirnov检验 4.2SnowNLP 五、模型建立与求解 5.1问题一建模与求解 5.2问题二建模与求解 5.3问题三建模与求解 5.4问题四建模与求解 六、模型评价与推广 6.1模型的评价 6.1.1模型缺点 6.1.2模型缺点 6.2模型推广 七、参考文献 附录【自行替换】 步骤1：读取数据 我们首先读取数据，并进行初步的检查与清洗。
步骤2：绘制直方图 绘制评分和点赞数的直方图，以直观展示其分布情况。
步骤3：正态性检验 使用Shapiro-Wilk检验对评分和点赞数的分布进行正态性检验。
我们首先读取并预处理了数据。数据中包含了用户对抖音APP的评分和点赞数。对数据进行初步检查后，发现存在缺失值。我们清除了评分和点赞数字段中的缺失值记录，以确保数据的完整性和分析的准确性。
0 用户名 460283 non-null object 1 评语 460250 non-null object 2 评分 460287 non-null int64 3 点赞数 460287 non-null int64 4 抖音版本 333953 non-null object 5 评论时间 460287 non-null datetime64[ns] 对评分和点赞数进行了描述性统计分析，计算了基本统计量，如均值、中位数、标准差等。这些统计量帮助我们了解数据的集中趋势和离散程度。 评分的描述性统计： 均值：4.32 中位数：5 标准差：1.18 最大值：5 最小值：1 点赞数的描述性统计： 均值：102.5 中位数：10 标准差：856.2 最大值：40,000 最小值：0 通过绘制评分和点赞数的直方图，我们可以直观地观察其分布特征。评分的直方图显示出几个明显的峰值，主要集中在5分。点赞数的直方图则表现出高度偏态，大部分点赞数集中在较低值，但有少量极端值非常高。
此外，我们绘制了QQ图和箱线图以进一步分析数据的分布特征和异常值情况： QQ图显示评分和点赞数相对于正态分布的偏差程度。结果显示，两者均明显偏离正态分布。
箱线图显示评分和点赞数中的异常值。评分中异常值较少，点赞数则存在较多的极端值。
为了正式检验评分和点赞数是否服从正态分布，我们使用了Shapiro-Wilk检验。检验结果如下： 评分正态性检验： Shapiro-Wilk统计量(W) = 0.567 p值= 0.0 评分数据不服从正态分布（p值小于0.05，拒绝原假设）。 点赞数正态性检验： Shapiro-Wilk统计量(W) = 0.004 p值= 0.0 点赞数数据不服从正态分布（p值小于0.05，拒绝原假设）。 进一步，我们使用Kolmogorov-Smirnov检验来确认分布类型，结果同样表明评分和点赞数不服从正态分布。 由于点赞数高度偏态，我们尝试对点赞数进行对数变换。对数变换能够压缩数据的范围，使得极端值的影响减小。变换后的数据分布较原始数据更接近正态分布。 对数变换后的点赞数数据，绘制了新的直方图和QQ图，结果显示其分布特征有所改善，更接近正态分布。
问题二： 任务描述 分析抖音用户对抖音APP的评论时间主要集中在一天的哪个时间段。 找出评分最高和点赞数最多的抖音版本。
分析步骤 数据预处理： 读取数据并转换评论时间字段为时间格式。 提取评论时间的小时信息，用于时间段分析。
评论时间段分析： 绘制评论时间的直方图，观察评论集中时间段。
版本分析： 计算各版本的平均评分和总点赞数。 找出评分最高和点赞数最多的版本。
问题三
问题四：
任务描述 绘制所有抖音用户评论的词云图。 分别绘制“积极”、“消极”和“中立”评论的词云图。 分析词云图中的高频词汇信息，并基于此给北京字节跳动公司的“抖音”部门提出建议。
分析步骤 数据预处理： 读取数据并提取评论文本。 根据情感分类结果，将评论划分为“积极”、“消极”和“中立”三类。
词云图绘制： 使用 WordCloud 库生成词云图，展示所有评论、积极评论、消极评论和中立评论的高频词汇。
高频词汇分析： 分析词云图中的高频词汇，总结用户关注的主要内容和反馈。 基于高频词汇信息，提出改进建议。