为什么需要加星标？

由于微信公众号出现了 “乱序” 排列的状况，也就是说：文章不会按照 “时间顺序” 推送给你。那么朋友们就不能第一时间，收到我的干货。因此希望您抽出一分钟，完成如下三步。
01
02
03
1845人已添加“星标”
文末获取“本文代码”

前言

最近，最火的电视剧莫过于《大秦赋了》，自12月1日开播后，收获了不错的口碑。然而随着电视剧的跟新，该剧在网上引起了激烈的讨论，不仅口碑急剧下滑，颇有高开低走的趋势，同时该剧的评分也由最初的8.9分，下降到了现在的6.5分。
虽然我还没有看过这个新剧，但是对于小伙伴们讨论的内容，却颇有兴趣（主要还是大家老是讨论这个剧）。因此，我用Python爬取了《大秦赋》的相关数据，进行了一波分析。

数据爬取

巧妇难为无米之炊，做数据分析之前最重要的就是“数据获取”。于是，我准备用Python爬取豆瓣上的短评数据以及一些评论时间信息、评价星级信息。
关于数据的爬取主要说以下几个内容：
1）关于翻页操作
第一页：

https://movie.douban.com/subject/
26413293
/comments?status=P

第二页：

https://movie.douban.com/subject/
26413293
/comments?start=
20
&limit=
20
&status=P&sort=new_score

第三页：

https://movie.douban.com/subject/
26413293
/comments?start=
40
&limit=
20
&status=P&sort=new_score
上面我们分别展示了第1-3页的页面链接，我们主要是观察其中的规律，其中start是获取评论的起始位置，limit代表获取多少条评论数据。观察结果：3个链接的不同在于这个start的不同，在后续翻页时，我们只需要修改start参数即可。
2）关于反扒说明
对于豆瓣的爬取，其实找到真实的短评链接，是极其容易的。但是这里有一点我必须说明，你可以不登陆爬取数据，但是只能是操作一段时间，过一段时间，会检测到你是爬虫。因此，你一定要登陆后，携带cookie去进行数据的爬取。如果你有时候不知道请求头中，该放一些什么，那么就请都加上，等有空再慢慢总结。
 headers = {

"Accept"
:
"application/json, text/plain, */*"
,

"Accept-Language"
:
"zh-CN,zh;q=0.9"
,

"Connection"
:
"keep-alive"
,

"Host"
:
"movie.douban.com"
,

"User-Agent"
:
'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36'
,

"Cookie"
:
'这里是你自己的cookie'
    }
cookie有些人可能又不知道在哪里，还是告诉你一下吧！好多参数都在下面呢，如果你想学好爬虫，那么这些参数代表什么，你总应该需要知道吧。
最终再补充一点：我本来打算把豆瓣上的《大秦赋》短评，全部爬下来作为分析的素材。然而并没有成功爬取到所有的短评，一波三折，最终只爬到了500条，当然我觉得这也是豆瓣的一种反扒措施，最大可见短评数就500条，多的不给你看。（有大神的话，可以下去研究一下）

数据处理

爬取后的数据，再怎么规整，也和用于分析的数据之间，有一定的差距。因此再分析之前，一定的“数据清洗”是很有必要的。在数据清洗之前，我们简单看看数据是什么样子的。
df = pd.read_csv(
"final_all_comment.csv"
,index_col=
0
)

df.head(
10
)
结果如下：
其实数据还是挺漂亮的，但是我们还是需要做如下处理：
1）剔除重复值
我们认为：如果'评论时间'和'评论内容'完全一致的话，就认为他是同一条评论，需要将其剔除。
print(
"删除之前的记录数："
,df.shape)

df.drop_duplicates(subset=[
'评论时间'
,
'评论内容'
],inplace=
True
,keep=
'first'
)

print(
"删除之前的记录数："
,df.shape)
2）评论时间处理
因为《大秦赋》是2020年12月1号开播的，现在是12月16号晚，因此所有的评论数据肯定都是2020年12月开始有的，因此我们只保留有用的“日期”数据（哪一天）。而对于时分秒来说，我们只保留“小时”数据。
df[
"评论天数"
] = df[
"评论时间"
].str[
8
:
-9
].astype(int)

df[
"小时"
] = df[
"评论时间"
].str[
11
:
-6
].astype(int)
3）评论星级处理
观察原页面的评论星级，可以看到所有的星级并不是以数字展示的，而是用星星进行前端渲染出来的，但是页面的源代码，却展示的是星级数。
对应到页面源代码中，我们看看又是怎么样子的呢？
可以看到：3星的数字是30，其它的以此类推，1星的数字是10，2星的数字是20......我看着就是很不爽，因此我在爬取数据的时候，已经将这些数字，全都除以10后计算。
4）评论内容机械压缩去重
对于一条评论来说，有些人可能手误，或者凑字数，会出现将某个字或者词语，重复说多次，因此在进行分词之前，需要做“机械压缩去重”操作。下面是我很早之前写的一段代码，大家可以去看我的CSDN博客，里面有很好的解释。
def func(st):

    for i in range(1,int(len(st)/2)+1):

        for j in range(len(st)):

            if st[j:j+i] == st[j+i:j+2*i]:

                k = j + i

                while st[k:k+i] == st[k+i:k+2*i] and k<len(st):   

                    k = k + i

                st = st[:j] + st[k:]    

    return st


st = "我爱你我爱你我爱你好你好你好哈哈哈哈哈"

func(st)
结果如下：
利用上述函数，我们可以对爬取到的数据，应用此操作。
def func(st):

    for i in range(1,int(len(st)/2)+1):

        for j in range(len(st)):

            if st[j:j+i] == st[j+i:j+2*i]:

                k = j + i

                while st[k:k+i] == st[k+i:k+2*i] and k<len(st):   

                    k = k + i

                st = st[:j] + st[k:]    

    return st


df["评论内容"] = df["评论内容"].apply(func)

数据可视化操作

俗话说：“字不如表，表不如图”。爬取到的数据，最终做可视化的呈现，才能够让大家对数据背后的规律，有一个清晰的认识。下面我们从以下几个方面来进行数据可视化分析。
  1. 评论数随时间的变化趋势
  2. 二十四小时内的评论数的变化趋势
  3. 星级评分的饼图
  4. 大家主要都在评论一些啥
关于数据可视化工具，我就不用pyecharts了，我还是回归原始，用最原始的matplotlib库进行数据可视化的展示。毕竟我们没有什么复杂的展示，代码越简短越好。
1）评论数随时间的变化趋势
从图中可以看出：短评数量在12月4日之前，一直处于上升趋势，在12月4日达到顶峰。和文章最开始的说明一致，前面几天观众对于该剧的期待值较高，但是在12月4日后，突然出现断崖式下降，说明随着该剧的更新，大家有所失望了。
2）二十四小时内的评论数的变化趋势
最近总听到周围有人在讨论这部剧，下面就来看看大家都是在啥时候追剧呢？从24小时图中可以看出：晚上7-24点，评论急剧上升，大多数人都是6点下班，可能吃个饭到7点左右，或者直接在下班过程中，就开始了一天的追剧。这里还有一波早高峰5-8点，难道睡不着？早上还要起来刷刷据，然后上班。这里还有两个时间段：上午10-11点，中午12-15点，肯定有相当一部分小伙伴，正在摸鱼工作呀🤭
3）星级评分的饼图
剧究竟好不好，看看观众的评分少不了，这也是观众最直观的想法。
   1星：很差
   2星：较差
   3星：还行
   4星：推荐
   5星：力荐
从下图中可以看出：大家对于该剧的评价还是很低的，1星和2星基本占据了整个饼图，也就是说该剧并没有得到大家的认可。
4）大家主要都在评论一些啥
其实大家对于该剧最大的争论点，还是由张鲁一饰演的嬴政。40岁的张鲁一，竟然饰演13岁的少年嬴政，然后向36岁朱珠饰演的赵姬分享喜讯，这个角色显色很不协调。很多人调侃：难道请不起小演员吗？
还有一部分人，对该剧的剧情和台词一顿吐槽，嬴政称如果吕不韦是自己的生父，愿意跟他一起离开秦国浪迹天涯，这真的是少年老成的嬴政能说出来的话吗？
《大秦赋》是“大秦帝国”系列的第四部，原名为《大秦帝国之天下》，播出时改为了《大秦赋》。于是很多人将这部剧和2009年播出的《大秦帝国》作比较，以此来讽刺该剧。
好了，今天的分享就到此为止。如果你有更多的时间，更多的分析思路，可以下去拓展哦！
公号后台回复：大秦赋，获取本文完整代码!

送书福利

介绍一本📕：《Python高手修炼之道》
本书系统介绍了如何入门Python并利用Python进行数据处理与机器学习实战。本书从Python的基础安装始介绍，系统梳理了Python的门语法知识，归纳介绍了图像处理、数据文件读写、数据库操作等Python基本技能；然后详细讲解了NumPy、Matplotlib、Pandas、Scipy、Scikit-learn等在数据处理、机器学习领域的应用。代码实例涵盖网络爬虫、数据处理、视觉识别、机器学习等应用领域。作者还精心创作了语感训练100题、Python内置函数（类）手册、从新手到高手的100个模块等内容，以帮助读者更好地学习并掌握Python这一工具。
感谢人民邮电出版社的支持！

赠书方式

开奖时间：12月21日 20:00，赠书2本，长按菊花码，参与活动。
公众号留言功能，正在更新调整，暂时用不了留言功能了，大家只能先抽奖参与啦。
注意：中奖者需24小时联系我，逾期不候。本月已经中奖者，不再赠书！
继续阅读
阅读原文