sentiment = blob.sentiment.polarity

if sentiment > 0:

return "Позитивный"

elif sentiment < 0:

return "Негативный"

else:

return "Нейтральный"

# Пример текста

text = """

Этот фильм был ужасен. Я полностью разочарован.

"""

# Анализ тональности текста

sentiment = analyze_sentiment(text)

print("Настроение текста:", sentiment)

```

Этот код анализирует текст и определяет его тональность как позитивную, негативную или нейтральную. В данном примере текст считается негативным из-за использования отрицательных слов "ужасен" и «разочарован".

Пояснения к коду:

1. Импорт библиотеки TextBlob:

– На первой строке импортируется класс `TextBlob` из библиотеки `textblob`. `TextBlob` – это библиотека для анализа текста с открытым исходным кодом, которая предоставляет простой интерфейс для обработки текста и выполнения различных операций, таких как определение тональности.

2. Функция `analyze_sentiment`:

– Эта функция принимает текст в качестве входного параметра и использует `TextBlob` для анализа его тональности.

– Сначала создается объект `TextBlob` для анализа текста.

– Затем используется метод `sentiment.polarity`, чтобы определить тональность текста. Значение полярности лежит в диапазоне от -1 до 1, где отрицательные значения указывают на негативную тональность, положительные – на позитивную, а нулевое значение – на нейтральную.

– Функция возвращает строку, указывающую на настроение текста: "Позитивный", "Негативный" или "Нейтральный".

3. Пример текста:

– В этом примере представлен негативно окрашенный текст: "Этот фильм был ужасен. Я полностью разочарован."

4. Анализ тональности текста:

– Вызывается функция `analyze_sentiment` с текстом в качестве аргумента.

– Функция анализирует текст и возвращает его тональность.

– Результат анализа выводится на экран. В данном случае текст считается негативным, поэтому выводится сообщение "Настроение текста: Негативный".

Этот код демонстрирует простой способ анализа тональности текста с использованием библиотеки TextBlob.

В этой задаче мы будем брать длинный текст и создавать краткое описание, которое содержит основную суть текста.

Идея решения будет следующей:

1. Разбить текст на предложения.

2. Подсчитать частоту встречаемости каждого слова в тексте.

3. Определить вес каждого предложения на основе суммы весов слов, входящих в него.

4. Выбрать предложения с наибольшим весом для включения в краткое описание.

Вот пример кода на Python для решения этой задачи:

```python

from nltk.tokenize import sent_tokenize, word_tokenize

from collections import Counter

def generate_summary(text, num_sentences=3):

# Разбиваем текст на предложения

sentences = sent_tokenize(text)

# Разбиваем каждое предложение на слова

words = [word_tokenize(sentence.lower()) for sentence in sentences]

# Подсчитываем частоту встречаемости каждого слова

word_freq = Counter()

for sentence_words in words:

word_freq.update(sentence_words)

# Вычисляем вес каждого предложения на основе суммы весов слов

sentence_weights = {}

for sentence in sentences:

sentence_words = word_tokenize(sentence.lower())

weight = sum(word_freq[word] for word in sentence_words)

sentence_weights[sentence] = weight

# Сортируем предложения по весу и выбираем заданное количество предложений для краткого описания

summary_sentences = sorted(sentence_weights, key=sentence_weights.get, reverse=True)[:num_sentences]

return ' '.join(summary_sentences)

# Пример текста

text = """

Марс – четвёртая по удалённости от Солнца и седьмая по размерам планета Солнечной системы.

До 24 августа 2006 года по исключительному соглашению между Международным астрономическим союзом и Всемирной ассоциацией радиокоммуникаций английское наименование этой планеты официально считалось орфографическим вариантом русского названия – Марс.