用50行Python代码对股市新闻进行情感分析_python开发股票情绪指标

用 Python 进行股票新闻情绪分析

微信搜索关注《Python学研大本营》，加入读者群，分享更多精彩

情感分析是一种用于从文本中提取主观信息的技术。在股票新闻的上下文中，情绪分析可用于了解有关特定股票的新闻文章的整体情绪，这可以帮助您做出更明智的决策。

在本教程中，我们将使用 Python 和一些流行的库对股票新闻进行情绪分析。

第 1 步：收集数据

第一步是收集数据。有多种 API 提供对财经新闻的访问，例如 NewsAPI、Bloomberg API 和 Yahoo Finance API。在本教程中，我们将使用 NewsAPI。

要使用 NewsAPI，您需要在他们的网站上注册一个 API 密钥。https://newsapi.org/。它是免费的，大约需要 30 秒。拥有 API 密钥后，您可以使用requestsPython 中的库向 API 发出请求并检索新闻文章。

以下是如何使用 NewsAPI 检索有关 Apple 的新闻文章的示例：

import requests
 
api_key = 'YOUR API KEY'
url = f'https://newsapi.org/v2/everything?q=Apple&apiKey={api_key}'
 
response = requests.get(url)
data = response.json()
 
articles = data['articles']
print(articles)

此代码检索有关股票“Apple”的新闻文章并将它们存储在articles变量中，然后以 json 格式输出文章。您可以修改q参数以搜索有关不同股票的新闻文章。

第 2 步：预处理数据

现在我们知道如何检索新闻文章，您需要在执行情感分析之前对数据进行预处理。这涉及将文本转换为小写并从新闻文章中删除任何不相关的信息，例如停用词和标点符号。

我们将使用该nltk库执行预处理。在使用之前，您需要安装该库并下载停用词语料库。

此函数将新闻文章作为输入并返回文本的预处理版本：

import nltk
nltk.download('stopwords')
from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize
import string
 
def preprocess_text(text):
    # Convert to lowercase
    text = text.lower()
 
    # Remove punctuation
    text = text.translate(str.maketrans('', '', string.punctuation))
 
    # Tokenize text
    tokens = word_tokenize(text)
 
    # Remove stop words
    stop_words = set(stopwords.words('english'))
    tokens = [token for token in tokens if token not in stop_words]
 
    # Rejoin tokens into a string
    text = ' '.join(tokens)
 
    return text

第 3 步：进行情绪分析

一旦数据经过预处理，我们就可以对新闻文章进行情感分析。我们将使用该vaderSentiment库执行情绪分析。该库专为社交媒体文本的情感分析而设计，已被证明在推文和新闻标题等简短的非正式文本上表现良好。

您需要在使用之前安装该库：

!pip install vaderSentiment

此函数将经过预处理的新闻文章作为输入，并返回介于 -1（负面情绪）和 1（正面情绪）之间的情绪分数：

from vaderSentiment.vaderSentiment import SentimentIntensityAnalyzer
 
def get_sentiment(text):
    analyzer = SentimentIntensityAnalyzer()
    scores = analyzer.polarity_scores(text)
    sentiment = scores['compound']
    return sentiment

第 4 步：分析数据

现在我们有了收集和预处理新闻文章文本并执行情感分析的函数，我们可以使用这些函数来检索新闻文章，对其进行预处理并执行情感分析：

def get_stock_news_sentiment(api_key, stock):
    # Make request to NewsAPI
    url = f'https://newsapi.org/v2/everything?q={stock}&apiKey={api_key}'
    response = requests.get(url)
    data = response.json()
    sentiments = []
    for article in data['articles']:
        # Preprocess text
        text = article['title'] + ' ' + article['description']
        text = preprocess_text(text)
        
        # Perform sentiment analysis
        sent = get_sentiment(text)
        sentiments.append(sent)
    # Calculate average sentiment
    if len(sentiments) > 0:
        avg_sentiment = sum(sentiments) / len(sentiments)
    else:
        avg_sentiment = 0
 
    return avg_sentiment

此代码检索有关 Apple 和 Google 的新闻文章，对其进行预处理，执行情绪分析，并打印平均情绪分数：

api_key = 'YOUR_API_KEY'
 
apple_sentiment = get_news_sentiment(api_key, 'AAPL')
google_sentiment = get_news_sentiment(api_key, 'GOOGL')
 
print(f'Average sentiment for Apple: {apple_sentiment:.2f}')
print(f'Average sentiment for Google: {google_sentiment:.2f}')

示例输出：Apple 的平均情绪：0.23 Google 的平均情绪：0.19

请注意，情绪分数介于 -1 和 1 之间，其中负分表示负面情绪，正分表示正面情绪，接近 0 的分数表示中性情绪。

以下是完整代码：

import requests
import nltk
nltk.download('stopwords')
from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize
import string
 
def preprocess_text(text):
    # Convert to lowercase
    text = text.lower()
 
    # Remove punctuation
    text = text.translate(str.maketrans('', '', string.punctuation))
 
    # Tokenize text
    tokens = word_tokenize(text)
 
    # Remove stop words
    stop_words = set(stopwords.words('english'))
    tokens = [token for token in tokens if token not in stop_words]
 
    # Rejoin tokens into a string
    text = ' '.join(tokens)
 
    return text
 
from vaderSentiment.vaderSentiment import SentimentIntensityAnalyzer
 
def get_sentiment(text):
    analyzer = SentimentIntensityAnalyzer()
    scores = analyzer.polarity_scores(text)
    sentiment = scores['compound']
    return sentiment
 
def get_stock_news_sentiment(api_key, stock):
    # Make request to NewsAPI
    url = f'https://newsapi.org/v2/everything?q={stock}&apiKey={api_key}'
    response = requests.get(url)
    data = response.json()
    sentiments = []
    for article in data['articles']:
        # Preprocess text
        text = article['title'] + ' ' + article['description']
        text = preprocess_text(text)
        
        # Perform sentiment analysis
        sent = get_sentiment(text)
        sentiments.append(sent)
    # Calculate average sentiment
    if len(sentiments) > 0:
        avg_sentiment = sum(sentiments) / len(sentiments)
    else:
        avg_sentiment = 0
 
    return avg_sentiment
 
api_key = 'YOUR API KEY'
 
apple_sentiment = get_stock_news_sentiment(api_key, 'AAPL')
google_sentiment = get_stock_news_sentiment(api_key, 'GOOGL')
 
print(f'Average sentiment for Apple: {apple_sentiment:.2f}')
print(f'Average sentiment for Google: {google_sentiment:.2f}')

结论

尽管有关特定股票的新闻文章的整体情绪可能会有所帮助，但我不建议您仅以此为基础做出投资决定。

推荐书单

《Pandas1.x实例精解》

《Pandas1.x实例精解》详细阐述了与Pandas相关的基本解决方案，主要包括Pandas基础，DataFrame基本操作，创建和保留DataFrame，开始数据分析，探索性数据分析，选择数据子集，过滤行，对齐索引，分组以进行聚合、过滤和转换，将数据重组为规整形式，组合Pandas对象，时间序列分析，使用Matplotlib、Pandas和Seaborn进行可视化，调试和测试等内容。此外，该书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。

《Pandas1.x实例精解》([美]马特·哈里森，等)【摘要 书评 试读】- 京东图书京东JD.COM图书频道为您提供《Pandas1.x实例精解》在线选购，本书作者：，出版社：清华大学出版社。买图书，到京东。网购图书，享受最低优惠折扣!https://item.jd.com/13255935.html

精彩回顾

【第1篇】利用Pandas操作DataFrame的列与行

【第2篇】Pandas如何对DataFrame排序和统计

【第3篇】Pandas如何使用DataFrame方法链

【第4篇】Pandas如何比较缺失值以及转置方向？

【第5篇】DataFrame如何玩转多样性数据

【第6篇】如何进行探索性数据分析？

【第7篇】使用Pandas处理分类数据

【第8篇】使用Pandas处理连续数据

【第9篇】使用Pandas比较连续值和连续列

【第10篇】如何比较分类值以及使用Pandas分析库

微信搜索关注《Python学研大本营》

访问【IT今日热榜】，发现每日技术热点