使用sklearn.datasets中的中文数据集进行文本情感分析与摘要生成

sklearn是一个常用的Python机器学习库，其中包含了一些常用的数据集供开发者使用。然而，sklearn.datasets中的数据集主要集中在英文数据上，目前并没有提供中文数据集。因此，我们需要找到其他方式来获取中文数据集进行文本情感分析与摘要生成。

中文数据集的获取可以有多种方式，比如网络爬虫、公开数据集等。在这里，我们以爬虫的方式获取一个中文新闻数据集作为例子，并使用sklearn库中的分类算法进行文本情感分析。

首先，我们需要导入所需的库和数据集：

import requests
from bs4 import BeautifulSoup
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.svm import LinearSVC
from sklearn.model_selection import train_test_split

接下来，我们定义一个函数来爬取新闻数据集：

def get_news_data():
    url = 'http://www.example.com/chinese_news'
    response = requests.get(url)
    soup = BeautifulSoup(response.text, 'html.parser')
    news_titles = soup.find_all('h2', class_='news-title')
    news_contents = soup.find_all('div', class_='news-content')
    titles = [title.get_text() for title in news_titles]
    contents = [content.get_text() for content in news_contents]
    labels = [0, 1, 0, 1, ...]  # 0表示负面情感，1表示正面情感
    return titles, contents, labels

在这个例子中，我们假设已经有一个网站，其中包含了一些中文新闻标题和内容，并且有相应的标签来表示情感倾向。

接下来，我们需要将文本数据转换成数值表示的特征向量。这里我们使用TF-IDF特征提取方法：

def extract_features(contents):
    vectorizer = TfidfVectorizer()
    features = vectorizer.fit_transform(contents)
    return features

在这个例子中，我们使用TfidfVectorizer类来将文本数据转换成词频-逆文档频率（TF-IDF）向量，以表示每个文档中各个词的重要性。

然后，我们使用支持向量机（SVM）作为分类器进行情感分析，将数据集分为训练集和测试集，并进行训练和测试：

titles, contents, labels = get_news_data()
features = extract_features(contents)
X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, random_state=42)

classifier = LinearSVC()
classifier.fit(X_train, y_train)

accuracy = classifier.score(X_test, y_test)
print("Accuracy:", accuracy)

在这里，我们使用LinearSVC类作为分类器，并使用训练集对其进行训练，然后使用测试集评估其准确性。

最后，我们可以使用此分类器对新的文本数据进行情感分析：

def predict_sentiment(text):
    features = extract_features([text])
    sentiment = classifier.predict(features)[0]
    if sentiment == 0:
        return "Negative"
    elif sentiment == 1:
        return "Positive"

text = "这是一个很好的产品"
sentiment = predict_sentiment(text)
print("Sentiment:", sentiment)

在这个例子中，我们定义了一个函数来预测给定文本的情感倾向，并通过将文本提取特征后传给分类器来获取情感结果。

至于摘要生成，由于涉及到自然语言处理领域较为复杂的技术，使用sklearn库进行摘要生成可能不太合适。需要借助其他的NLP库，如NLTK、Gensim或者Hugging Face Transformers等。

综上所述，我们可以使用sklearn中的分类算法来进行中文文本情感分析，但是需要自行获取中文数据集，并结合其他库来进行中文文本摘要生成。