数据科学原理

第13章　案例

本章是全书的最后一章。我们将通过几个案例，增强你对数据科学的理解。

13.1　案例1：基于社交媒体预测股票价格

这个案例非常有意思。我们将尝试根据社交媒体情绪，预测上市公司的股票价格。我们不会使用复杂的统计学和机器学习算法。相反，我们会利用探索性数据分析（EDA/exploratory data analysis）和可视化方法，达到预测股价的目的。

13.1.1　文本情感分析

当我们说“情感（sentiment）”时，你需要知道它意味着什么。“情感”是一个介于−1～1的量化指标。如果文本情感得分接近−1，说明该文本为负面。如果文本情感得分接近1，说明该文本为正面。如果文本情感得分接近0，说明该文本为中性。我们将使用Python中的Textblob模块计算文本情感得分。

from textblob import TextBlob
import pandas as pd
%matplotlib inline
# use the textblob module to make a function called stringToSentiment
that returns a sentences sentiment
def stringToSentiment(text):
　　return TextBlob(text).sentiment.polarity

下面，我们通过stringToSentiment函数调用Textblob模块为文本打分：

stringToSentiment('i hate you')
-0.8

stringToSentiment('i love you')
0.5

stringToSentiment('i see you')
0.0

接着，我们读取本案例需要使用的推文，如图13.1所示。 ...