01
舆情热力图概述
什么是社交舆情情绪热力图？应用场景（品牌监控、危机预警、竞品分析）与核心价值。
概念应用
02
数据采集基础
社交媒体API介绍（微博、Twitter、Reddit），数据采集的伦理与法律边界。
API合规
03
Python环境搭建
Anaconda安装、Jupyter Notebook配置、必备库安装（pandas, numpy, matplotlib, seaborn, wordcloud）。
环境库
04
数据预处理实战
数据清洗（去重、去噪、处理缺失值）、文本分词（jieba/NLTK）、停用词过滤。
清洗分词
05
情感分析入门
基于词典的情感分析（SnowNLP/VADER），情感极性分类（正面、负面、中性）。
词典极性
06
情感得分计算
文本情感得分量化，时间序列上的情感聚合（日/周/月粒度）。
量化聚合
07
热力图数据准备
构建“时间-情感”矩阵，数据标准化与归一化处理。
矩阵标准化
08
Matplotlib基础绘图
折线图、柱状图绘制，坐标轴与图例设置。
Matplotlib基础
09
Seaborn热力图入门
seaborn.heatmap()函数详解，颜色映射（cmap）选择。
Seaborncmap
10
热力图美化
自定义颜色条、添加注释、调整单元格大小与边框。
美化注释
11
多维度热力图
按平台（微博、微信、抖音）拆分，生成对比热力图。
对比多平台
12
动态热力图
使用matplotlib.animation制作随时间变化的热力图动画。
动画时间
13
交互式热力图
Plotly库入门，生成可缩放、悬停显示详情的交互式热力图。
Plotly交互
14
词云与热力图结合
提取高频情感词，生成词云叠加在热力图背景上。
词云叠加
15
地理热力图
基于IP/位置信息，使用folium绘制地域情感分布热力图。
folium地理
16
实时数据流处理
使用WebSocket/Stream API接入实时舆情，动态更新热力图。
实时WebSocket
17
舆情预警系统
设定情感阈值，当负面情绪超过阈值时自动触发告警（邮件/钉钉）。
预警阈值
18
品牌案例实战（一）
某手机新品发布舆情热力图分析（数据模拟）。
手机案例
19
品牌案例实战（二）
某餐饮品牌食安危机舆情热力图复盘。
餐饮危机
20
竞品分析案例
同时监控3个竞品，生成对比热力图报告。
竞品对比
21
报告自动化生成
将热力图嵌入PDF/HTML报告，使用Jinja2模板引擎。
Jinja2报告
22
性能优化
大数据量下的热力图渲染优化（降采样、分块计算）。
优化大数据
23
部署与分享
使用Flask搭建轻量级Web服务，分享热力图看板。
Flask部署
24
API封装
将热力图生成逻辑封装成RESTful API，供其他系统调用。
RESTAPI
25
错误处理与日志
常见异常（API限流、数据格式错误）处理，logging日志记录。
异常logging
26
高级情感分析
基于BERT的深度学习情感模型（transformers库）调用。
BERT深度学习
27
细粒度情感分析
识别愤怒、悲伤、喜悦、惊讶等细粒度情绪。
细粒度情绪
28
多语言舆情处理
处理中英文混合文本，使用langdetect检测语言。
多语言langdetect
29
项目总结与最佳实践
从数据采集到看板展示的全链路经验总结。
总结最佳实践
30
未来趋势
大模型时代下的舆情分析新范式（GPT/LLM情感分析）。
大模型GPT