在Python中，对英文文本进行情感分析通常需要使用一些专门的库，如NLTK（Natural Language Toolkit）或TextBlob等。这些库提供了用于情感分析的预训练模型。下面是一个简单的例子，使用TextBlob库来分析文本并计算积极和消极情感的比例。

首先，你需要安装TextBlob库。如果你还没有安装，可以通过pip来安装：

```sh

pip install textblob

```

然后，你可以使用以下Python代码来分析文本：

```python

from textblob import TextBlob

def analyze_sentiment(text):

# 使用TextBlob来分析文本

blob = TextBlob(text)

# 提取情感标签和对应的情感值

sentiment_labels = blob.sentiment.polarity.labels() # 返回积极和消极的标签

sentiment_scores = blob.sentiment.polarity.scores() # 返回积极和消极的分数

# 计算积极和消极情感的比例

positive_count = 0

negative_count = 0

for label, score in zip(sentiment_labels, sentiment_scores):

if label == 'Positive':

positive_count += 1

elif label == 'Negative':

negative_count += 1

total_words = len(blob.words) # 或者其他统计方式来获取总的词数，这只是一个示例

total_sentiments = positive_count + negative_count # 总情感数量

# 计算比例并打印结果

print(f"积极情感数量: {positive_count} (占比: {positive_count / total_sentiments * 100:.2f}%)")

print(f"消极情感数量: {negative_count} (占比: {negative_count / total_sentiments * 100:.2f}%)")

# 示例文本

text = "This is a great product! I love it! But sometimes it's a bit slow." # 这里只是一个示例文本，你可以替换成其他文本。

analyze_sentiment(text) # 调用函数来分析文本并打印结果。

```

注意：这里的比例是基于总单词数量来计算的，只是一个简单示例。在真实场景中，你可能需要根据实际情况来确定一个更准确的“总词数”或者更复杂的方式来计算情感比例。另外，由于自然语言处理的复杂性，情感分析并不总是100%准确，这只是一个简单的工具用于辅助分析和理解文本情感。如果你需要更复杂或更准确的情感分析功能，可能需要使用更专业的机器学习或深度学习模型来训练和部署一个情感分析系统。