1 城市心情分析 目的： 数据： 单元： 算法： 表达方式： 参考文献： 基于微博等文本数据，评价不同街道办事处或者地块在不同时间段的民 众心情状况，如如正面、负面 数据： 位置微博、贴吧等 单元： 整个研究范围、街道办事处或街区 算法： 数据获取（微博数据已有） 语义分析：自然语言处理（NLP）、分词、情绪分析 表达方式： 地理信息系统/在线地图 参考文献： 秦春秀, 祝婷, 赵捧未,等. 自然语言语义分析研究进展. 图书情报工 作, 2014, 58(22):130-137.
1 城市心情分析(成都中心城作为样例) 数据准备--源数据： 算法运算过程： 模型评价： 主要的数据有：1.位置微博点（Point）数据；2.区县面（Polygon）数据 见数据库模型1（model1），以上三个数据名称分别对应为： 1.Weibo_chengdu；2.chengdu_zxc。 算法运算过程： （1）整理微博文本数据。 （2）通过语义分析（自然语言处理NLP），对文本进行评价打分，大于 0.5分为正面心情，小于0.5分为负面心情。 （3）借助ArcGIS进行空间可视化。 （4）最终对正面和负面心情进行分析评价。 模型评价： 基于微博等文本数据，评价不同街道办事处或者地块在不同时间段的民 众心情状况，如正面、负面。
1 城市心情分析(成都中心城作为样例) 语义分析使用的Python语句如下：
1 城市心情分析 负面心情的微博样本点
1 城市心情分析 正面心情的微博样本点
1 城市心情分析 选取成都中心城中189个微博样本点，通过语义分析可知，正面心情的 有145个，负面心情的有44个。正面心情微博是负面心情的近4倍。说 明生活在城市的居民大部分还是较为积极的。 中心城区的负面心情较多，远郊区的正面心情说较多。说明中心城较多 的人口、拥堵的交通等给市民心情造成一定的负面影响，而远郊地区环 境等条件较好，市民心情就相对较好。