如何优化情感分析的_sentiment函数，实现更简洁高效的代码？

方案1：简洁字典映射版 #

def _sentiment(t):
    label_map = {'LABEL_0': 'positive', 'LABEL_1': 'neutral', 'LABEL_2': 'negative'}
    return label_map.get(classifier(t)[0]['label'], 'negative')

方案2：全局常量映射（性能更优） #

若函数会被频繁调用，将映射字典定义为全局常量可避免每次调用重复创建字典：

# 全局常量，仅初始化一次
LABEL_TO_SENTIMENT = {
    'LABEL_0': 'positive',
    'LABEL_1': 'neutral',
    'LABEL_2': 'negative'
}

def _sentiment(t):
    return LABEL_TO_SENTIMENT.get(classifier(t)[0]['label'], 'negative')

优化优势 #

• 代码简洁：将多分支条件判断转化为字典查找，逻辑清晰，消除冗余代码。
• 性能提升：字典键值查找为O(1)操作，比依次执行if判断更高效，标签类型越多优势越明显。
• 维护便捷：后续修改标签与情感的对应关系时，只需更新字典内容，无需调整条件分支。
• 鲁棒性强：get()方法的默认值参数确保遇到未定义标签时，自动返回negative，与原代码逻辑完全一致。

内容的提问来源于stack exchange，提问作者math_guy_shy