遍历每条评论，根据关键词进行权重相加

1、使用TF-IDF算法提取到关键词并获得权重；
2、将关键词进行分类，分了8大类；
3、每类中包含几个关键词并附带权重；
问题：如何遍历每条评论分别计算8类的总权重，并导入到excel表格？
表格表头为：评论——类1权重和——类2权重和——

参考GPT和自己的思路：为遍历每条评论，根据关键词进行权重相加并导入到excel表格，你可以按照以下步骤进行操作：

  1. 首先，你需要使用TF-IDF算法从每条评论中提取出关键词，并计算出这些关键词的权重。

  2. 将提取出的关键词进行分类，将它们分为8大类。你可以自行定义每个类别的关键词，并将它们存储为一个字典。

  3. 编写一个函数，将每一类的关键词及其权重存储在一个字典中，并将这个字典嵌套在一个列表中。这样，你可以很方便地对每一类关键词的权重进行累加。

  4. 对每条评论进行遍历，将评论中的关键词与你事先定义好的关键词分类列表进行匹配。如果该关键词属于某个类别，将其权重添加到该类别的权重和中。

  5. 为每条评论记录在表格中的8类权重和，你可以定义一个空的字典或列表，每当遍历一条评论时，将该评论的8类权重和记录在这个字典或列表中。当所有评论都处理完毕后，你可以将这些记录导入到excel表格中。

下面是一个简单的Python代码示例，它实现了上述步骤中的某些操作。

import pandas as pd
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer

# 评论数据集合
text_data = [
    '这个电影很好看。',
    '这部电影太过无聊了。',
    '导演的表现非常出色。',
    '这个演员的表演令人印象深刻。',
]

# 定义关键词和类别
category_keywords = {
    '类别1': ['电影', '导演', '演员'],
    '类别2': ['好看', '出色', '印象深刻'],
    # ... 其他类别
}

# 定义每一类别的关键词及其权重
category_weights = [
    {'关键词1': 0.1, '关键词2': 0.2},
    {'关键词3': 0.3, '关键词4': 0.4},
    # ... 其他类别
]

# 提取关键词并计算权重
tf_idf = TfidfVectorizer(stop_words='english')
features = tf_idf.fit_transform(text_data)
vocabulary = tf_idf.vocabulary_
weights = features.todense()

# 遍历每条评论，计算8类的总权重，并将结果记录在字典中
results = []
for i in range(len(text_data)):
    class_weights = np.zeros(len(category_weights))
    for k, v in vocabulary.items():
        if k in category_keywords['类别1']:
            class_weights[0] += weights[i, v] * category_weights[0][k]
        elif k in category_keywords['类别2']:
            class_weights[1] += weights[i, v] * category_weights[1][k]
        # ... 其他类别
    results.append({'评论': text_data[i], '类1权重和': class_weights[0], '类2权重和': class_weights[1], ...})

# 将结果导入到excel表格中
df = pd.DataFrame(results)
df.to_excel('results.xlsx')

请根据实际需求进行修改和优化。