Python将冰冰的第一条vlog并进行数据分析「建议收藏」

全栈程序员站长

发布于 2022-08-11 17:37:12

4400

发布于 2022-08-11 17:37:12

文章被收录于专栏：全栈程序员必看全栈程序员必看

大家好，又见面了，我是你们的朋友全栈君。

Python将冰冰的第一条vlog并进行数据分析

Python爬取冰冰第一条B站视频的千条评论，绘制词云图，看看大家说了什么吧，Python爬取B站视频评论并进行数据分析

酱酱酱，那就开始吧

版权声明：本文为博主原创文章，创作不易本文链接：https://beishan.blog.csdn.net/article/details/112100932

文章目录

【冰冰vlog.001】带大家看看每个冬天我必去的地方

1. 数据收集

1.1 获取接口

哔哩哔哩其实留了很多接口，可以供我们来获取数据。首先打开目标网站，并查看网页源码，发现评论内容不在源码中，可以确认评论是动态生成的。于是进入开发者模式，查找返回的内容。

1.2 查看数据

点击preview即可发现评论数据在这里

1.3 解析URL

去掉第一个和最后一个参数可得评论URL，https://api.bilibili.com/x/v2/replyjsonp&type=1&oid=800760067&sort=2&pn=.

1.4 解析数据

大家可以将获取的json 接下来就是正式的爬取工作了，和爬取百度图片原理一样，自己试试吧。为了方便查看json数据，可以将html中的json复制到json在线解析中查看

2. 数据分析

数据获取后，就可以开始初步的数据分析了

import pandas as pd

data = pd.read_excel(r"bingbing.xlsx")
data.head()

	用户	性别	等级	评论	点赞
0	食贫道	男	6	[呆][呆][呆]你来了嘿！	158457
1	毕导THU	男	6	我是冰冰仅有的3个关注之一[tv_doge]我和冰冰贴贴	148439
2	老师好我叫何同学	男	6	[热词系列_知识增加]	89634
3	央视网快看	保密	6	冰冰来了！我们要失业了吗[doge][doge]	118370
4	厦门大学	保密	5	哇欢迎冰冰！！！	66196

原文链接

2.1 数据描述

data.describe()

	等级	点赞
count	1180.000000	1180.000000
mean	4.481356	2200.617797
std	1.041379	10872.524850
min	2.000000	1.000000
25%	4.000000	4.000000
50%	5.000000	9.000000
75%	5.000000	203.750000
max	6.000000	158457.000000

2. 2 删除空值

data.dropna()

	用户	性别	等级	评论	点赞
0	食贫道	男	6	[呆][呆][呆]你来了嘿！	158457
1	毕导THU	男	6	我是冰冰仅有的3个关注之一[tv_doge]我和冰冰贴贴	148439
2	老师好我叫何同学	男	6	[热词系列_知识增加]	89634
3	央视网快看	保密	6	冰冰来了！我们要失业了吗[doge][doge]	118370
4	厦门大学	保密	5	哇欢迎冰冰！！！	66196
…	…	…	…	…	…
1175	黑旗鱼	保密	5	11小时一百万，好快[惊讶]	5
1176	是你的益达哦	男	6	冰冰粉丝上涨速度：11小时107.3万，平均每小时上涨9.75万，每分钟上涨1625，每秒钟…	5
1177	快乐风男崔斯特	男	4	军训的时候去了趟厕所，出来忘记是哪个队伍了。看了up的视频才想起来，是三连[doge][滑稽]	5
1178	很认真的大熊	男	5	我觉得冰冰主持春晚应该问题不大吧。[OK]	5
1179	飞拖鞋呀吼	保密	5	《论一个2级号如何在2020年最后一天成为百大up主》	5

1180 rows × 5 columns

2.3 删除重复值

data.drop_duplicates()

	用户	性别	等级	评论	点赞
0	食贫道	男	6	[呆][呆][呆]你来了嘿！	158457
1	毕导THU	男	6	我是冰冰仅有的3个关注之一[tv_doge]我和冰冰贴贴	148439
2	老师好我叫何同学	男	6	[热词系列_知识增加]	89634
3	央视网快看	保密	6	冰冰来了！我们要失业了吗[doge][doge]	118370
4	厦门大学	保密	5	哇欢迎冰冰！！！	66196
…	…	…	…	…	…
1175	黑旗鱼	保密	5	11小时一百万，好快[惊讶]	5
1176	是你的益达哦	男	6	冰冰粉丝上涨速度：11小时107.3万，平均每小时上涨9.75万，每分钟上涨1625，每秒钟…	5
1177	快乐风男崔斯特	男	4	军训的时候去了趟厕所，出来忘记是哪个队伍了。看了up的视频才想起来，是三连[doge][滑稽]	5
1178	很认真的大熊	男	5	我觉得冰冰主持春晚应该问题不大吧。[OK]	5
1179	飞拖鞋呀吼	保密	5	《论一个2级号如何在2020年最后一天成为百大up主》	5

1179 rows × 5 columns

3. 可视化展示

用的的工具是pyecharts，可以参考快速掌握数据可视化工具pyecharts

3.1 点赞TOP20

df1 = data.sort_values(by="点赞",ascending=False).head(20)

from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.faker import Faker

c1 = (
    Bar()
    .add_xaxis(df1["评论"].to_list())
    .add_yaxis("点赞数", df1["点赞"].to_list(), color=Faker.rand_color())
    .set_global_opts(
        title_opts=opts.TitleOpts(title="评论热度Top20"),
        datazoom_opts=[opts.DataZoomOpts(), opts.DataZoomOpts(type_="inside")],
    )
    .render_notebook()
)
c1

3.2 等级分布

data.等级.value_counts().sort_index(ascending=False)

6    165
5    502
4    312
3    138
2     63
Name: 等级, dtype: int64

from pyecharts import options as opts
from pyecharts.charts import Pie
from pyecharts.faker import Faker

c2 = (
    Pie()
    .add(
        "",
        [list(z) for z in zip([str(i) for i in range(2,7)], [63,138,312,502,165])],
        radius=["40%", "75%"],
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="等级分布"),
        legend_opts=opts.LegendOpts(orient="vertical", pos_top="15%", pos_left="2%"),
    )
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
    .render_notebook()
)
c2

3.3 性别分布

data.性别.value_counts().sort_index(ascending=False)

from pyecharts import options as opts
from pyecharts.charts import Pie
from pyecharts.faker import Faker

c4 = (
    Pie()
    .add(
        "",
        [list(z) for z in zip(["男","女","保密"], ["404",'103','673'])],
        radius=["40%", "75%"],
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="性别分布"),
        legend_opts=opts.LegendOpts(orient="vertical", pos_top="15%", pos_left="2%"),
    )
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
    .render_notebook()
    
)
c4

3.4 绘制词云图

from wordcloud import WordCloud
import jieba
from tkinter import _flatten
from matplotlib.pyplot import imread
from PIL import Image, ImageDraw, ImageFont
import matplotlib.pyplot as plt
with open('stoplist.txt', 'r', encoding='utf-8') as f:
    stopWords = f.read()
with open('停用词.txt','r',encoding='utf-8') as t:
    stopWord = t.read()
total = stopWord.split() + stopWords.split()
def my_word_cloud(data=None, stopWords=None, img=None):
    dataCut = data.apply(jieba.lcut)  # 分词
    dataAfter = dataCut.apply(lambda x: [i for i in x if i not in stopWords])  # 去除停用词
    wordFre = pd.Series(_flatten(list(dataAfter))).value_counts()  # 统计词频
    mask = plt.imread(img)
    plt.figure(figsize=(20,20))
    wc  = WordCloud(scale=10,font_path='C:/Windows/Fonts/STXINGKA.TTF',mask=mask,background_color="white",)
    wc.fit_words(wordFre)
    plt.imshow(wc)
    plt.axis('off')
my_word_cloud(data=data["评论"],stopWords=stopWords,img="1.jpeg")