用Python进行分析

数据森麟

发布于 2019-09-27 19:03:04

7070

发布于 2019-09-27 19:03:04

文章被收录于专栏：数据森麟

1.影评分析

爬取影评直接使用之前蚁人的代码，不再说明，共爬到影评数据500条。

简单统计来看，一星差评最多，但四五星评价与一二星差评价基本持平。

不过从投票数来看，投票数最多的前25条，无一例外都是一星差评

大家给差评的原因也很统一，电视剧对小说改编过多，原著党难以接受，再加上5毛钱特效和演员的尴尬演技，感觉是妥妥烂片无疑了。不妨再看看给好评的人都是些神马想法

除过一些明明给了很差评价还点了力荐的观众之外，投票数最多的好评都来自于主演的粉丝，对他们来说，剧情研究都不重要，看颜就行。

2.小说文本分析

1. 人物出场频数

分析完影评，作为一名原著党，我觉得更有必要分析一下小说原文，直接百度下载到一个小说txt文件，小说共有1646章，首先来看看小说中出场次数最多的人物

男主出场次数太多，远远高于其他人物，我们不考虑主角，看看其他人物的出场次数

部分代码如下

# -*- coding: utf-8 -*-
"""
Created on Mon Sep 17 19:51:48 2018

@author: hzp0625
"""

import pandas as pd
import os
os.chdir('F:\\python_study\\pachong\\斗破苍穹')
import re
import numpy as np
import jieba
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
font = FontProperties(fname=r'c:\windows\fonts\simsun.ttc')#,size=20指定本机的汉字字体位置
import matplotlib.pyplot as plt
import networkx as nx  


texts = open('all（校对版全本）.txt',"r")

texts = texts.read()

AllChapters = re.split('第[0-9]*章',texts)[1:]

AllChapters = pd.DataFrame(AllChapters,columns = ['text'])
AllChapters['n'] = np.arange(1,1647)

# 载入搜狗细胞词库
jieba.load_userdict('斗破苍穹.txt')
jieba.load_userdict('斗破苍穹异火.txt')
stopwords = open('中文停用词表（比较全面，有1208个停用词）.txt','r').read()
stopwords = stopwords.split('\n')



# 主要人物出现的总频数，人物名单从百度百科获取
nameall = open('所有人物.txt','r').read().split('\n')
nameall = pd.DataFrame(nameall,columns = ['name'])
textsall = ''.join(AllChapters.text.tolist())
nameall['num'] = nameall.name.apply(lambda x:textsall.count(x))

nameall.loc[nameall.name=='熏儿','num'] = nameall.loc[nameall.name=='熏儿','num'].values[0] + nameall.loc[nameall.name=='熏儿','num'].values[0]
nameall.loc[nameall.name=='熏儿','num'] = -886



nameall.loc[nameall.name=='彩鳞','num'] = nameall.loc[nameall.name=='彩鳞','num'].values[0] + nameall.loc[nameall.name=='美杜莎','num'].values[0]
nameall.loc[nameall.name=='美杜莎','num'] = -886

nameall = nameall.sort_values('num',ascending = False)


plt.figure(figsize=(8,10))
fig = plt.axes()
n = 50
plt.barh(range(len(nameall.num[:n][::-1])),nameall.num[:n][::-1],color = 'darkred')
fig.set_yticks(np.arange(len(nameall.name[:n][::-1])))
fig.set_yticklabels(nameall.name[:n][::-1],fontproperties=font)
plt.xlabel('人物出场次数',fontproperties = font)
plt.show()

2. 女主分析

从出场频数来看，排名前4的是主角的老师和三个女主，那么究竟哪一个是女一？单从出场次数来看的话可能会太过简单，我们对小说分章节统计每章中所有女主的出场次数，来看看女主出场的时间分布，横轴为章节号，纵轴为出现次数

从分布图来看，前中期各个女主出场的重叠不多，每个人陪男主走过不同的剧情副本，结尾合家欢。

# 女主每章出现次数统计：熏儿，云韵，小医仙，彩鳞，美杜莎

names = ['熏儿','云韵','小医仙','彩鳞','美杜莎']
result['熏儿'] = result.fenci.apply(lambda x:x.count('熏儿') + x.count('薰儿'))
result['云韵'] = result.fenci.apply(lambda x:x.count('云韵'))
result['小医仙'] = result.fenci.apply(lambda x:x.count('小医仙'))
result['彩鳞'] = result.fenci.apply(lambda x:x.count('彩鳞') + x.count('美杜莎'))


plt.figure(figsize=(15,5))
plt.plot(np.arange(1,result.shape[0]+1),result['熏儿'],color="r",label = u'熏儿')
plt.plot(np.arange(1,result.shape[0]+1),result['云韵'],color="lime",label = u'云韵')
plt.plot(np.arange(1,result.shape[0]+1),result['小医仙'],color="gray",label = u'小医仙')
plt.plot(np.arange(1,result.shape[0]+1),result['彩鳞'],color="orange",label = u'彩鳞')
plt.legend(prop =font)
plt.xlabel(u'章节',fontproperties = font)
plt.ylabel(u'出现次数',fontproperties = font)
plt.show()

3. 人物社交关系网络

接下来，我们对小说中的人物关系做一些探究，如果两个人物同时出现在文章的一个段落里，我们就认为这两个人物之间有一定的联系（也可以以句或章节为单位），以此为规则，计算所有人物的共现矩阵。所以人物列表通过百度百科获取，保存为txt文件便于读取。

将小说文本按段落划分之后，会发现共有八万多个段落，人物有一百个左右，直接循环效率太低，但观察得到的段落，有很多单字成段的语气词，这些可以直接删掉。

因此，对于得到的段落，我们首先删掉段落长度小于20个字的，用剩余的段落计算共现矩阵，部分主要人物的共现矩阵如下

用所有人物的共现矩阵构造社交关系网络图，计算出边和节点矩阵后，用Gephi软件直接作图（python也可以用networkx作图）

删掉边权重小于10的值后，重新作图，结果相对清晰一些，连线越宽，表明人物见的联系越紧密。

# 社交网络图  共现矩阵
# 两个人物出现在同一段，说明有某种关系
words = open('all（校对版全本）.txt','r').readlines()
words = pd.DataFrame(words,columns = ['text'],index = range(len(words)))
words['wordnum'] = words.text.apply(lambda x:len(x.strip()))
words = words.loc[words.wordnum>20,]
wrods = words.reset_index(drop = True)
relationmat = pd.DataFrame(index = nameall.name.tolist(),columns = nameall.name.tolist()).fillna(0)


wordss = words.text.tolist()
for k in range(len(wordss)):
    for i in nameall.name.tolist():
        for j in nameall.name.tolist():
            if i in wordss[k] and j in  wordss[k]:
                relationmat.loc[i,j] += 1 
    if k%1000 ==0:
        print(k)

relationmat.to_excel('共现矩阵.xlsx')

# 网络图


# 边与权重矩阵
#relationmat1 = pd.DataFrame(index = range(relation.shape[]))
relationmat1 = {}
for i in relationmat.columns.tolist():
    for j in relationmat.columns.tolist():
        relationmat1[i, j] = relationmat.loc[i,j]


edgemat = pd.DataFrame(index = range(len(relationmat1)))
node = pd.DataFrame(index = range(len(relationmat1)))

edgemat['Source'] = 0
edgemat['Target'] = 0
edgemat['Weight'] = 0

node['Id'] = 0
node['Label'] = 0
node['Weight'] = 0


names = list(relationmat1.keys())
weights = list(relationmat1.values())
for i in range(edgemat.shape[0]):
    name1 = names[i][0]
    name2 = names[i][1]
    if name1!=name2:
        edgemat.loc[i,'Source'] = name1
        edgemat.loc[i,'Target'] = name2
        edgemat.loc[i,'Weight'] = weights[i]
    else:
        node.loc[i,'Id'] = name1
        node.loc[i,'Label'] = name2
        node.loc[i,'Weight'] = weights[i]        
    i+=1


edgemat = edgemat.loc[edgemat.Weight!=0,]
edgemat = edgemat.reset_index(drop = True)
node = node.loc[node.Weight!=0,]
node = node.reset_index(drop = True)



edgemat.to_csv('边.csv',index = False)
node.to_csv('节点.csv',index = False)

4. 分词词云

最后，还是以小说文本的词云作为文章结尾，为了使文本分词更准确，这里我们使用了网上流传的包含1208个词的中文停用词表，以及通过搜狗细胞词库得到的两个词库，主要包含一些人名，地名，组织名称，异火等。