如何遍历Pandas DataFrame并对文本进行正负情感分类？

Got it，我来一步步帮你完成给分词推文标注情感标签的操作，完全用循环遍历的方式实现：

步骤1：准备数据与基础环境 #

先把你给出的示例数据转换成Pandas DataFrame，同时导入依赖库：

import pandas as pd

# 你的示例分词推文数据
tokenized_tweets = ['football, was, good, we, played, well' , 'We, were, unlucky, today, bad, luck' , 'terrible, performance, bad, game']

# 转换为DataFrame
df = pd.DataFrame({'tokenized_tweets': tokenized_tweets})

步骤2：定义情感词库 #

我们先自定义一组正面和负面的情感关键词，你可以根据推文的领域（比如这里是体育）随时扩展这个词库：

# 自定义情感词库（可按需扩展）
positive_words = {'good', 'well', 'great', 'excellent', 'win', 'perfect'}
negative_words = {'bad', 'unlucky', 'terrible', 'awful', 'lose', 'poor'}

步骤3：循环遍历标注情感 #

接下来我们逐行遍历DataFrame，处理每条分词推文，通过统计正负词数量来判断情感：

# 初始化空列表存储情感标签
sentiment_labels = []

# 循环遍历每条推文
for tweet in df['tokenized_tweets']:
    # 把逗号分隔的字符串拆成单个词，同时去空格、转小写（避免大小写干扰判断）
    words = [word.strip().lower() for word in tweet.split(',')]
    
    # 统计正负词出现次数
    pos_count = sum(1 for word in words if word in positive_words)
    neg_count = sum(1 for word in words if word in negative_words)
    
    # 判断并添加标签
    if pos_count > neg_count:
        sentiment_labels.append('positive')
    elif neg_count > pos_count:
        sentiment_labels.append('negative')
    else:
        # 正负词数量相等或都没有时，可自定义默认标签，这里暂设为negative
        sentiment_labels.append('negative')

# 将标签列加入原DataFrame
df['sentiment'] = sentiment_labels

查看最终结果 #

运行完代码后，打印DataFrame就能看到标注好的结果：

print(df)

输出示例：

tokenized_tweets sentiment
0  football, was, good, we, played, well   positive
1        We, were, unlucky, today, bad, luck   negative
2             terrible, performance, bad, game   negative

小优化建议 #

• 可以针对体育领域扩展情感词库，比如加入win、score这类正面词，lose、miss这类负面词
• 如果分词结果包含时态变化（比如played），可以加入词形还原处理，让判断更准确
• 要是需要更精准的情感分析，后续也可以替换成预训练模型（比如VADER），但如果必须用循环遍历，上面的方法完全满足需求

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