用 Python 来了解一下《安家》

如果要选一部近期最火的电视剧，一定非《安家》莫属，你可能没有具体看过，但如果你看微博的话一定听过这个名字，这部电视剧多次登上微博热搜榜，好像还有几次冲上了热搜榜首，该剧主要讲述的是关于房产中介卖房的故事，电视剧原名也是叫卖房子的人。

使用 Python 分析这部电视剧，主要包括两个步骤：获取数据和分析数据，数据来源我们选取《安家》的豆瓣评论区数据。

获取数据

豆瓣中《安家》的地址是： https://movie.douban测试数据/subject/30482003/ ，我们打开看一下，如下图所示：

从图中我们可以直观的看出截止目前有 9 万多人进行了打分，从评分上来看，打三星和四星的人数居多，总体评分 6.2 属于及格分，算是中规中矩吧。

我们把页面向下拉到评论区位置，如下图所示：

我们可以看到目前有 ?3 万多条评论数据，豆瓣对查看评论数据的限制是：未登录时最多可以查看 200 条，登录用户最多可以查看 500 条，也就是说我们最多可以抓取 ?500 条评论相关的信息，我们要抓取的数据项包括：用户昵称、星级、评论时间、评论内容，将这些信息抓取后我们再将其存到 csv ?文件，代码实现如下：

 import requests, time, random, pandas as pd  from lxml import etree     def spider():   ? ?url = 'https://accounts.douban测试数据/j/mobile/login/basic'   ? ?headers = {"User-Agent": 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)'}   ? ?# 安家评论网址，为了动态翻页，start 后加了格式化数字，短评页面有 20 条数据，每页增加 20 条   ? ?url_comment = 'https://movie.douban测试数据/subject/30482003/comments?start=%d&limit=20&sort=new_score&status=P'   ? ?data = {   ? ? ? ?'ck': '',   ? ? ? ?'name': '自己的用户',   ? ? ? ?'password': '自己的密码',   ? ? ? ?'remember': 'false',   ? ? ? ?'ticket': ''   ? ?}   ? ?session = requests.session()   ? ?session.post(url=url, headers=headers, data=data)   ? ?# 初始化 4 个 list 分别存用户名、评星、时间、评论文字   ? ?users = []   ? ?stars = []   ? ?times = []   ? ?content = []   ? ?# 抓取 500 条，每页 20 条，这也是豆瓣给的上限   ? ?for i in range(0, 500, 20):   ? ? ? ?# 获取 HTML   ? ? ? ?data = session.get(url_comment % i, headers=headers)   ? ? ? ?# 状态码 200 表是成功   ? ? ? ?print('第', i, '页', '状态码：',data.status_code)   ? ? ? ?# 暂停 0-1 秒时间，防止 IP 被封   ? ? ? ?time.sleep(random.random())   ? ? ? ?# 解析 HTML   ? ? ? ?selector = etree.HTML(data.text)   ? ? ? ?# 用 xpath 获取单页所有评论   ? ? ? ?comments = selector.xpath('//div[@class="comment"]')   ? ? ? ?# 遍历所有评论，获取详细信息   ? ? ? ?for comment in comments:   ? ? ? ? ? ?# 获取用户名   ? ? ? ? ? ?user = comment.xpath('.//h3/span[2]/a/text()')[0]   ? ? ? ? ? ?# 获取评星   ? ? ? ? ? ?star = comment.xpath('.//h3/span[2]/span[2]/@class')[0][7:8]   ? ? ? ? ? ?# 获取时间   ? ? ? ? ? ?date_time = comment.xpath('.//h3/span[2]/span[3]/@title')   ? ? ? ? ? ?# 有的时间为空，需要判断下   ? ? ? ? ? ?if len(date_time) != 0:   ? ? ? ? ? ? ? ?date_time = date_time[0]   ? ? ? ? ? ?else:   ? ? ? ? ? ? ? ?date_time = None   ? ? ? ? ? ?# 获取评论文字   ? ? ? ? ? ?comment_text = comment.xpath('.//p/span/text()')[0].strip()   ? ? ? ? ? ?# 添加所有信息到列表   ? ? ? ? ? ?users.append(user)   ? ? ? ? ? ?stars.append(star)   ? ? ? ? ? ?times.append(date_time)   ? ? ? ? ? ?content.append(comment_text)   ? ?# 用字典包装   ? ?comment_dic = {'user': users, 'star': stars, 'time': times, 'comments': content}   ? ?# 转换成 DataFrame 格式   ? ?comment_df = pd.DataFrame(comment_dic)   ? ?# 保存数据   ? ?comment_df.to_csv('data.csv')   ? ?# 将评论单独再保存下来   ? ?comment_df['comments'].to_csv('comment.csv', index=False) 

分析数据

现在数据取到了，我们使用 Python 来对这些数据进行分析一下。

评论数量

首先，我们来统计一下这 500 条数据每天的评论数量，然后利用折线图进行数据展示，代码实现如下：

 import pandas as pd, matplotlib.pyplot as plt     csv_data = pd.read_csv('data.csv')  df = pd.DataFrame(csv_data)  df_gp = df.groupby(['time']).size()  values = df_gp.values.tolist()  index = df_gp.index.tolist()  # 设置画布大小  plt.figure(figsize=(10, 6))  # 数据  plt.plot(index, values, label='评论数')  # 设置数字标签  for a, b in zip(index, values):   ? ?plt.text(a, b, b, ha='center', va='bottom', fontsize=13, color='black')  plt.title('评论数随时间变化折线图')  plt.xticks(rotation=330)  plt.tick_params(labelsize=10)  plt.ylim(0, 200)  plt.legend(loc='upper right')  plt.show() 

看一下效果图：

从图中我们可以看出 ?2 月 21、22 这两天评论数最多，其中 2 月 21 号为开播日，评论数较多很正常， 2 月 22 ?号评论数多于开播日，我们大致可以推测是开播后网络等渠道进一步扩散的因素，之后随着时间的推移热度有所下降，评论数量呈下降至相对平稳的趋势。

角色分析

我们接着统计评论区中几个主要角色被提及的次数，然后再利用柱状图进行数据展示，代码实现如下所示：

 import pandas as pd, jieba, matplotlib.pyplot as plt     csv_data = pd.read_csv('data.csv')  roles = {'姑姑':0, '房似锦':0, '王子':0, '闪闪':0, '老油条':0, '楼山关':0, '鱼化龙':0}  names = list(roles.keys())  for name in names:   ? ?jieba.add_word(name)  for row in csv_data['comments']:   ? ?row = str(row)   ? ?for name in names:   ? ? ? ?count = row.count(name)   ? ? ? ?roles[name] += count  plt.figure(figsize=(8, 5))  # 数据  plt.bar(list(roles.keys()), list(roles.values()), width=0.5, label='提及次数', color=['g', 'r', 'dodgerblue', 'c', 'm', 'y', 'aquamarine'])  # 设置数字标签  for a, b in zip(list(roles.keys()), list(roles.values())):   ? ?plt.text(a, b, b, ha='center', va='bottom', fontsize=13, color='black')  plt.title('角色被提及次数柱状图')  plt.xticks(rotation=270)  plt.tick_params(labelsize=10)  plt.ylim(0, 30)  plt.legend(loc='upper right')  plt.show() 

看一下效果图：

我们从角色被提及的次数可以大致推测出角色的受欢迎程度。

星级变化

我们接着根据获取数据来看一下这几天星级变化的大致趋势，一天中如果有多条星评我们取其平均值即可，代码实现如下所示：

 import pandas as pd, numpy as np, matplotlib.pyplot as plt     csv_data = pd.read_csv('data.csv')  df_time = csv_data.groupby(['time']).size()  df_star = csv_data.groupby(['star']).size()  index = df_time.index.tolist()  value = [0] * len(index)  # 生成字典  dic = dict(zip(index, value))  for k, v in dic.items():   ? ?stars = csv_data.loc[csv_data['time'] == str(k), 'star']   ? ?# 平均值   ? ?avg = np.mean(list(map(int, stars.values.tolist())))   ? ?dic[k] = round(avg ,2)  # 设置画布大小  plt.figure(figsize=(9, 6))  # 数据  plt.plot(list(dic.keys()), list(dic.values()), label='星级')  plt.title('星级随时间变化折线图')  plt.xticks(rotation=330)  plt.tick_params(labelsize=10)  plt.ylim(0, 5)  plt.legend(loc='upper right')  plt.show() 

看一下效果图：

从现有数据来看，《安家》的星级整体维持在 2 星左右，我们可以发现尽管该剧比较热，但观众对该剧的满意并不是很高。

词云展示

最后，我们对所有评论进行词云效果展示，这样可以让我们更加直观的看出评论区哪些词汇出现的频率较高，实现代码如下所示：

 from wordcloud import WordCloud  import numpy as np, jieba  from PIL import Image     def jieba_():   ? ?# 打开评论数据文件   ? ?content = open('comment.csv', 'rb').read()   ? ?# jieba 分词   ? ?word_list = jieba.cut(content)   ? ?words = []   ? ?# 过滤掉的词   ? ?remove_words = ['以及', '不会', '一些', '那个', '只有',   ? ? ? ? ? ? ? ? ? ?'不过', '东西', '这个', '所有', '这么',   ? ? ? ? ? ? ? ? ? ?'但是', '全片', '一点', '一部', '一个',   ? ? ? ? ? ? ? ? ? ?'什么', '虽然', '一切', '样子', '一样',   ? ? ? ? ? ? ? ? ? ?'只能', '不是', '一种', '这个', '为了']   ? ?for word in word_list:   ? ? ? ?if word not in remove_words:   ? ? ? ? ? ?words.append(word)   ? ?global word_cloud   ? ?# 用逗号隔开词语   ? ?word_cloud = '，'.join(words)     def cloud():   ? ?# 打开词云背景图   ? ?cloud_mask = np.array(Image.open('bg.jpg'))   ? ?# 定义词云的一些属性   ? ?wc = WordCloud(   ? ? ? ?# 背景图分割颜色为白色   ? ? ? ?background_color='white',   ? ? ? ?# 背景图样   ? ? ? ?mask=cloud_mask,   ? ? ? ?# 显示最大词数   ? ? ? ?max_words=100,   ? ? ? ?# 显示中文   ? ? ? ?font_path='./fonts/simhei.ttf',   ? ? ? ?# 最大尺寸   ? ? ? ?max_font_size=80   ? ?)   ? ?global word_cloud   ? ?# 词云函数   ? ?x = wc.generate(word_cloud)   ? ?# 生成词云图片   ? ?image = x.to_image()   ? ?# 展示词云图片   ? ?image.show()   ? ?# 保存词云图片   ? ?wc.to_file('anjia.png')     jieba_()  cloud() 

看一下效果图：

总结

本文通过爬取豆瓣中《安家》的评论区数据并对其进行可视化，我们可以大致了解观众对《安家》这部电视大致的评价情况，当然因为我们所获取的样本数量有限，可能或多或少还会与用户实际的评价情况有一点偏差。

查看更多关于用 Python 来了解一下《安家》的详细内容...