Importante

Você está vendo a versão anterior da nova experiência da Alura que estamos preparando para você. Em breve, ela ganha uma identidade visual novinha totalmente pensada em potencializar seus estudos!

1
resposta

Análises Negativas

import pandas as pd

DFReviews = pd.read_csv("reviews.csv", encoding="utf-8")

print(DFReviews.head())

print(DFReviews["reviewText"].head())

if "Análises de Sentimentos" in DFReviews.columns:
print(DFReviews[["reviewText", "Análises de Sentimentos"]].head())

def classificar_sentimento(texto):
texto = texto.lower()
if any(p in texto for p in ["excelente", "ótimo", "bom", "recomendo", "superou"]):
    return "Positivo"
elif any(n in texto for n in ["ruim", "péssimo", "horrível", "não recomendo", "defeito"]):
    return "Negativo"
else:
    return "Neutro"

DFReviews["Análises de Sentimentos"] = DFReviews["reviewText"].apply(classificar_sentimento)

print(DFReviews[["reviewText", "Análises de Sentimentos"]].head())

1 resposta

Olá, Penha! Como vai?

Parabéns pela realização da atividade!

Você conseguiu aplicar corretamente a leitura do CSV com o Pandas, estruturou uma função simples e eficiente para classificar sentimentos e ainda demonstrou como integrar a análise diretamente na coluna do DataFrame.

Se quiser aprofundar ainda mais, algumas boas práticas são:

  • Expandir vocabulário: incluir mais palavras-chave para tornar a classificação mais robusta.
  • Normalizar textos: aplicar técnicas de pré-processamento como remoção de stopwords ou stemming.
  • Testar modelos: comparar essa abordagem baseada em regras com modelos de machine learning para análise de sentimentos.

Ah uma pergunta: O que você gostaria de explorar mais agora, enriquecer essa função com técnicas de NLP ou integrar modelos prontos de análise de sentimentos ao seu pipeline de dados?

Fico à disposição! E se precisar, conte sempre com o apoio do fórum.

Abraço e bons estudos!

AluraConte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!