点击上方“Python爬虫与数据挖掘”,进行关注
回复“书籍”即可获赠Python从入门到进阶共10本电子书
今
日
鸡
汤
归山深浅去,须尽丘壑美。
图片来源:豆瓣
最近由腾讯视频、 爱奇艺 联合出品综艺《哈哈哈哈哈》(又名五哈) 话题不断, 节目中由邓超、陈赫、鹿晗组成的兄弟旅行团,开启了一段由东到西穿越中国的真实旅行。 作为首个双平台联播的超级网综 , 给广大观众带来了无限欢乐,妥妥登上了综艺热搜榜第一。
腾讯视频综艺热搜TOP3
本文通过爬取腾讯视频《哈哈哈哈哈》47687条弹幕,进行可视化分析和情感分析,完整代码后台回复「哈哈哈哈哈」即可自动获取。
01
数据获取
《哈哈哈哈哈》目前已播出10期,本文爬取了第10期上下两篇弹幕。弹幕数据爬虫在往期原创文章中已详细讲解,本文不做赘述,以下给出完整代码:
#-*- coding = uft-8 -*-#@Time : 2021/1/20 20:35#@Author : 公众号 菜J学Python#@File : 哈哈哈哈哈.pyimport requestsimport jsonimport timeimport pandas as pddf = pd.DataFrame()for page in range(15, 3973, 30): headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'} url = 'https://mfm.video.qq.com/danmu?otype=json×tamp={}&target_id=6384458060%26vid%3Dd0035ka5c02&count=80'.format(page) print("正在提取第" + str(page) + "页") html = requests.get(url,headers = headers) bs = json.loads(html.text,strict = False) #strict参数解决部分内容json格式解析报错 time.sleep(1) #遍历获取目标字段 for i in bs['comments']: name = i['opername'] #昵称 content = i['content'] #弹幕 upcount = i['upcount'] #点赞数 user_degree =i['uservip_degree'] #会员等级 timepoint = i['timepoint'] #发布时间 comment_id = i['commentid'] #弹幕id cache = pd.DataFrame({'用户名':[name],'弹幕':[content],'会员等级':[user_degree], '发布时间':[timepoint],'弹幕点赞':[upcount],'弹幕id':[comment_id]}) df = pd.concat([df,cache])df.to_csv('haha-1.csv',encoding = 'utf-8')print(df.shape)
02
数据处理
1.数据读取并预览
首先,将两个弹幕csv文件进行数据合并,采用concat方法。
import pandas as pdimport numpy as npdf1 = pd.read_csv("/菜J学Python/弹幕/腾讯/哈哈哈哈哈/haha-1.csv")df1["期数"] = "10期上"df2 = pd.read_csv("/菜J学Python/弹幕/腾讯/哈哈哈哈哈/haha-2.csv")df2["期数"] = "10期下"df = pd.concat([df1,df2])df.sample(10)
抽样10条弹幕数据,预览效果如下:
2.查看数据信息
df.info()
<class 'pandas.core.frame.DataFrame'>Int64Index: 47687 entries, 0 to 21820Data columns (total 8 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 Unnamed: 0 47687 non-null int64 1 用户名 13433 non-null object 2 弹幕 47687 non-null object 3 会员等级 47687 non-null int64 4 发布时间 47687 non-null int64 5 弹幕点赞 47687 non-null int64 6 弹幕id 47687 non-null int64 7 期数 47687 non-null objectdtypes: int64(5), object(3)memory usage: 3.3+ MB
发现数据存在以下几个问题:
(1)字段名称可调整
(2)Unnamed、弹幕id字段多余
(3)用户名字段有缺失值,可填充
(4)发布时间字段类型需要调整
3.数据清洗
#重命名字段df = df.rename(columns={'用户名':'用户昵称','弹幕':'弹幕内容','发布时间':'发送时间','评论点赞':'弹幕点赞','期数':'所属期数'})#过滤不需要的字段df = df[["用户昵称","弹幕内容","会员等级","发送时间","弹幕点赞","所属期数"]]#缺失值填充df["用户昵称"] = df["用户昵称"].fillna("无名氏")
清洗后,数据预览如下:
03
数据可视化
1.弹幕在讨论些什么
通过对4万+弹幕制作词云图,我们发现,弹幕中出现频率较高的词汇有「哈哈哈、鹿晗、晨艺、虞书欣」等。这综艺的初衷,是让观众在看节目的过程中频繁大笑,由弹幕可知,效果还是很明显的。鹿晗在这一期表现亮眼,躺赢刺杀游戏,被很多观众夸赞。
#绘制词云图text1 = get_cut_words(content_series=df['弹幕内容'])stylecloud.gen_stylecloud(text=' '.join(text1), max_words=200, collocations=False, font_path='simhei.ttf', icon_name='fas fa-video', size=653, #palette='matplotlib.Inferno_9', output_name='./haha.png')Image(filename='./haha.png')
2.弹幕里都提到了谁
鹿晗被观众提及7329次,王晨艺3222次,张颜齐1632次。鹿晗的吸粉体质为这个综艺带来了较大的流量,而陈赫在最新一期的节目中似乎被一些观众遗忘。
df8 = df["人物提及"].value_counts()[1:11]print(df8.index.to_list())print(df8.to_list())c = ( Bar(init_opts=opts.InitOpts(theme=ThemeType.WALDEN)) .add_xaxis(df8.index.to_list()) .add_yaxis("",df8.to_list()) .set_global_opts(title_opts=opts.TitleOpts(title="人物提及次数",subtitle="数据来源:腾讯视频 \t制图:菜J学Python",pos_left = 'left'), xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改横坐标字体大小 yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改纵坐标字体大小 ) .set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='top')) )c.render_notebook()
我们分别对六位主要提及演员进行词云图绘制,发现他们的人缘是真的好,几乎看不到负面的评价。陈赫的外号还挺多:赫赫、赫哥,不做词云我还不知道呢,看来J哥要补充知识点了。
3.谁是弹幕发射机
每天都是小春日和共发射弹幕158条,遥遥领先其他弹幕党,名副其实的弹幕发射机。想太多de猫紧随其后,发射了97条弹幕,如果大家还有印象的话,他(她)还是《令人心动的offer》第2季弹幕发射机。
df8 = df["用户昵称"].value_counts()[1:11]df8 = df8.sort_values(ascending=True)df8 = df8.tail(10)print(df8.index.to_list())print(df8.to_list())c = ( Bar(init_opts=opts.InitOpts(theme=ThemeType.WALDEN,width="1100px",height="500px")) .add_xaxis(df8.index.to_list()) .add_yaxis("",df8.to_list()).reversal_axis() #X轴与y轴调换顺序 .set_global_opts(title_opts=opts.TitleOpts(title="弹幕发送数量TOP10",subtitle="数据来源:腾讯视频 \t制图:菜J学Python",pos_left = 'left'), xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改横坐标字体大小 yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改纵坐标字体大小 #yaxis_opts=opts.AxisOpts(axislabel_opts={"rotate":40})#更改纵坐标字体大小 ) .set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='right')) )c.render_notebook()
我们来看看弹幕发射机讨论了些啥,通过弹幕点赞数降序排列,筛选出点赞数最多的10条弹幕,弹幕内容几乎全为王勉相关内容,死忠粉无疑了。
df_first = df[df["用户昵称"]=="每天都是小春日和"]df_first.sort_values('弹幕点赞',inplace=True,ascending=False)df_first[:10]
04
情感分析
通过运用百度开源NLP对弹幕内容进行情感分值计算,我们发现,《哈哈哈哈哈》第1季情感分值整体高于0.6,观众表现出较高的积极倾向。情感分值变化趋势则表现为视频播放开始和中期高,播放快结束时有所下滑。
import paddlehub as hub#这里使用了百度开源的成熟NLP模型来预测情感倾向senta = hub.Module(name="senta_bilstm")texts = df['弹幕内容'].tolist()input_data = {'text':texts}res = senta.sentiment_classify(data=input_data)df['情感分值'] = [x['positive_probs'] for x in res]#重采样至15分钟df.index = df['发送时间']data = df.resample('15min').mean().reset_index()
import pyecharts.options as optsfrom pyecharts.charts import *from pyecharts.globals import ThemeType c = ( Line(init_opts=opts.InitOpts(theme=ThemeType.WALDEN)) .add_xaxis(data["发送时间"].to_list()) .add_yaxis('情感倾向', list(data["情感分值"].round(2)), is_smooth=True,is_connect_nones=True,areastyle_opts=opts.AreaStyleOpts(opacity=0.5)) #.add_yaxis('弹幕点赞',list(df["弹幕点赞"].round(2)), is_smooth=True,areastyle_opts=opts.AreaStyleOpts(opacity=0.5)) #.add_yaxis('会员等级',list(df["会员等级"].round(2)), is_smooth=True,areastyle_opts=opts.AreaStyleOpts(opacity=0.5)) .set_global_opts(title_opts=opts.TitleOpts(title="情感倾向",subtitle="数据来源:腾讯视频 \t制图:菜J学Python",pos_left = 'left')) )c.render_notebook()
**********---**--****-------------- End **********---**--****--------------
往期精彩文章推荐:
欢迎大家点赞,留言,转发,转载,****感谢大家的相伴与支持
想加入Python学习群请在后台回复【入群】
万水千山总是情,点个【在看】行不行
/今日留言主题/
随便说一两句吧~~
本文分享自微信公众号 - Python爬虫与数据挖掘(crawler_python)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。