在过去的几十年里,舆情跟人们的生活几乎毫不相关,而近几年的几次重大突发性传染病事件,如2017年H7N9禽流感疫情、2019年甲型H1N1流感疫情和埃博拉疫情以及2020年COVID-19疫情期间,与其相关的一些微博舆论上了热搜,各大网络平台的新闻报道也引发了广大网民的关注和热议,微博舆情逐渐成为大家的日常。关于此次疫情产生的舆情,网民们的讨论热度非常高,最高一天产生千万条微博。随着确诊人数的不断增加,网络上相关的新闻报道和话题也呈爆炸式增长。在数据化时代,网络舆论传播机制复杂,信息量大,对舆情的分析和精准预测有助于政府精细化治理。因此,利用统计学和数据挖掘算法精准有效识别热点主题,分析网民的情感动态趋势,对政府开展防控工作有着重要意义。本文对COVID-19疫情的舆情分析主要内容有数据获取、数据处理、文本情感分析和聚类分析、时间和地理位置分析。首先基于Scrapy爬虫框架搭建了爬虫项目,分别以“2019-n Co V”、“COVID-19”、“肺炎”和“疫情”为关键词,使用Python获取了2020年1月1日至2020年3月31日期间国内34个省市自治区大量的新浪微博疫情文本数据。然后从微博的文本特征出发进行数据预处理,添加疫情相关的自定义词典和停用词典进行精确分词,为后面聚类分析提供有效支撑。接着使用TF-IDF算法提取特征词、建立向量空间模型并利用LSA方法进行降维,再用手肘法寻找最佳聚类数,使用K-Means聚类算法对文本数据聚类分析。再使用词云图分析和Snow NLP情感分析模型进行可视化,绘制情感动态变化图和新增确诊人数趋势图,并利用标准地图服务系统绘制全国各地区情感分布图和新增确诊人数分布图。最后结合官方新闻报道和实验结果对比分析。实验结果表明,网民讨论的热点主题包括疫情、防控、武汉、医院、复工复产等,疫情中网民的情感动态大致分为四个阶段:从1月1日至1月19日的慌张期到1月19日至2月15日的担惊受怕期,再到2月15日至3月10日的缓慢恢复期,最后到3月10日至3月31日的乐观稳定期。同时情感值最低只有0.3,最高超过0.8,情感值高低和疫情发展严重程度基本成负相关。最后根据三个时间段内的情感值分布图和各地区的疫情情况分布图验证了结论与实际基本相符。因此,在发生重大突发性传染疾病时,可以获取实时产生的相关微博数据,对不同地理位置的微博进行文本聚类和情感分析,挖掘其中所蕴含的信息价值,结合情感分布图,定位预测到具体感染地区的疾病发展情况。