如何统计带有正面/负面/中性情感评分的句子数量

我来帮你搞定这个情感句子统计的问题～看你现在的代码思路方向是对的，但有几个关键细节需要调整，才能正确统计单个句子的情感并完成计数：

现有代码的核心问题 #

• 你把token_dictionary初始化放在了句子循环外面，会导致所有句子的token情感值被累加在一起，根本没法区分单个句子的情感倾向
• 用列表来存计数（比如neg_count = []）是错误的，计数应该用整数变量来累加
• 代码没完成单个句子的情感得分计算和最终的倾向判断逻辑

修正后的完整代码 #

from nltk.tokenize import sent_tokenize, word_tokenize

def sent_dictionary__sentence_(text):
    # 初始化计数变量，用整数替代列表才是正确的累加方式
    neg_count = 0
    pos_count = 0
    neu_count = 0
    lexicon_keys = lexicon_dictionary.keys()
    
    sentences = sent_tokenize(text)
    for sentence in sentences:
        # 每个句子单独初始化token字典，避免跨句子的情感值混淆
        token_dictionary = {}
        # 按流程处理句子：分词→去标点→词形还原
        tokens = apply_lemmatization(remove_punctuation(word_tokenize(str(sentence))))
        
        for token in tokens:
            if token in lexicon_keys:
                # 累加当前句子中该token的情感值
                token_dictionary[token] = token_dictionary.get(token, 0) + lexicon_dictionary[token]
        
        # 计算当前句子的总情感得分
        sentiment_score = sum(token_dictionary.values())
        
        # 根据得分判断情感倾向并完成计数
        if sentiment_score > 0:
            pos_count += 1
        elif sentiment_score < 0:
            neg_count += 1
        else:
            neu_count += 1
    
    # 返回结构化的计数结果
    return {"positive_sentences": pos_count, "negative_sentences": neg_count, "neutral_sentences": neu_count}

关键调整说明 #

• 单句独立计算：把token_dictionary的初始化移到句子循环内部，确保每个句子的情感计算都是独立的，不会和其他句子的结果混在一起
• 正确计数逻辑：用整数变量替代列表，每次判断完句子情感后直接累加对应计数
• 情感判断规则：通过单个句子的情感得分总和来判定倾向——得分大于0为正面，小于0为负面，等于0为中性（你可以根据自己的需求调整阈值，比如设置一个微小区间来过滤得分接近0的模糊情况）

假设你已经正确定义了lexicon_dictionary（单词到情感值的映射字典）、apply_lemmatization（词形还原函数）和remove_punctuation（去标点函数），这个函数就能准确返回各情感倾向的句子数量了。

内容的提问来源于stack exchange，提问作者Shelina