diff --git a/code/Traitement Langage Naturel/ReviewAnalysis.py b/code/Traitement Langage Naturel/ReviewAnalysis.py
index dcb7a4c..065c831 100644
--- a/code/Traitement Langage Naturel/ReviewAnalysis.py	
+++ b/code/Traitement Langage Naturel/ReviewAnalysis.py	
@@ -1,6 +1,3 @@
-import nltk
-import os
-from dataclasses import dataclass
 from vaderSentiment_fr.vaderSentiment import SentimentIntensityAnalyzer
 
 #Emplacements des fichiers contenants le lexique et les avis
@@ -33,9 +30,11 @@ scoreWords.close()
 
 ### Partie analyse d'avis ###
 
+
 file = open(reviewPath, "r", encoding='UTF-8')
 reviews = (file.read()).split('//')
 
+
 #liste (partielle) de mots-clé pertinents pour un musée
 keys=['attente', "d'attente",  'queue', 'patienter', 'patience', 'patient',
       'patients', 'patiente', 'patientes', 'file', 'files',
@@ -60,10 +59,12 @@ keyWords = []
 
 #Score moyen d'un avis
 averageScore = 0
+
 vaderScore = {'neg': 0, 'neu': 0, 'pos': 0, 'compound': 0}
 
 SIA = SentimentIntensityAnalyzer()
 
+
 #Fonction de recherche d'un mot d'un avis parmis le lexique
 def search(word):
     if (len(word) != 0):
@@ -86,7 +87,7 @@ def isNegative(sentence):
     
 vaderCriteria = ['neg', 'neu', 'pos', 'compound']
 
-for Review in reviews:
+def ReviewAnalyzer(review):
     reviewScore = 0
     
     #miniKey donne les mots-clé contenus dans l'avis en train d'être analysé
@@ -98,11 +99,6 @@ for Review in reviews:
     sentences = Review.split('.')
     for sent in sentences:
 
-        #Ces 3 lignes sont pour comparer avec le score de VADER
-        score = SIA.polarity_scores(sent)
-        for criteria in vaderCriteria:
-            vaderScore[criteria] += score[criteria]
-
         #On découpe la phrase en une liste de mots
         sentence = list(e.strip(',.') for e in sent.split())
         for Word in sentence:
@@ -113,14 +109,14 @@ for Review in reviews:
             
             #recherche d'un éventuel mot-clé associé à ce caractère positif/négatif
             if (temp != -1):
+                        
+                #On change la valeur du score associé au mot-clé
+                #si la phrase contient une négation
+                if (isNegative(sentence)):
+                    temp[1] = -temp[1]
+
                 for key in keys:
                     if (key in sentence):
-
-                        
-                        #On change la valeur du score associé au mot-clé
-                        #si la phrase contient une négation
-                        if (isNegative(sentence)):
-                            temp[1] = -temp[1]
                         
                         #Récupération des mots-clés déjà détectés dans tous les avis
                         cles = list(e[0] for e in keyWords)
@@ -138,15 +134,18 @@ for Review in reviews:
                         
                 #Mise à jour du score de l'avis
                 reviewScore += temp[1]
-                
-    #Mise à jour du score moyen de tous les avis
-    averageScore += reviewScore
     
     #Caractéristiques de l'avis analysé
     miniKey = set(miniKey)
-    print("Mots-Clé: ", miniKey)
-    print("Score: ", reviewScore)
-    print('')
+    return(miniKey, reviewScore)
+
+for Review in reviews:
+    ReviewAnalayzer(Review)
+    
+    #Ces 3 lignes sont pour comparer avec le score de VADER
+    score = SIA.polarity_scores(sent)
+    for criteria in vaderCriteria:
+        vaderScore[criteria] += score[criteria]    
 
 averageScore /= len(reviews)
 print("Format: [[Mot-clé, score associé]]")