https://gitee.com/assistant-a/project-sharing文章來源地址http://www.zghlxwxcb.cn/news/detail-841019.html

1 B站整體視頻數(shù)據(jù)分析

分析方向：首先從總體情況進行分析，之后分析綜合排名top100的視頻類別。

總體情況部分包括：

1. 各分區(qū)播放量情況。
2. 各區(qū)三連（硬幣、收藏、點贊）情況。
3. 彈幕、評論、轉(zhuǎn)發(fā)情況。
4. 繪制綜合詞云圖，查看關(guān)鍵詞匯。

綜合排名top100部分包括：
5. top100類別占比。
6. top100播放量情況。
7. 硬幣、收藏、點贊平均人數(shù)分布。
8. 各分區(qū)平均評論、彈幕、轉(zhuǎn)發(fā)量情況。

1.1 數(shù)據(jù)預(yù)處理

這里主要是進行查看數(shù)據(jù)信息、空值、重復(fù)值以及數(shù)據(jù)類型，但由于數(shù)據(jù)很完整這里不再做過多操作。

對數(shù)據(jù)進行拆分、聚合，方便之后各項分析，由于“區(qū)類別”列中的“全站”是各分類中排名靠前的視頻，會出現(xiàn)重復(fù)數(shù)據(jù)，因此對其進行去除。

df.info()
df.isnull().count()
df.nunique().count()
df.dtypes
#剔除全區(qū)排名
df_nall=df.loc[df['區(qū)類別']!='全站']
df_nall['區(qū)類別'].value_counts()
#按分數(shù)進行排序asc
df_top100 = df_nall.sort_values(by='分數(shù)',ascending=False)[:100]
df_type = df_nall.drop(['作者','視頻編號','標簽名稱','視頻名稱','排名'],axis=1)
gp_type = df_type.groupby('區(qū)類別').sum().astype('int')
type_all = gp_type.index.tolist()

1.2 數(shù)據(jù)可視化

各分區(qū)播放情況

play = [round(i/100000000,2) for i in gp_type['播放次數(shù)'].tolist()]

# bar = (Bar()
#             .add_xaxis(type_all)
#             .add_yaxis("", play)
#             .set_global_opts(
#             title_opts=opts.TitleOpts(title="各分區(qū)播放量情況"),
#             yaxis_opts=opts.AxisOpts(name="次/億"),
#             xaxis_opts=opts.AxisOpts(name="分區(qū)",axislabel_opts={"rotate":45})
#         )
#     )
# bar.render_notebook()

pie = (
    Pie()
    .add(
        "",
        [list(z) for z in zip(type_all, 
                              play)],
        radius=["40%", "75%"],
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="各分區(qū)播放量情況  單位：億次"),
        legend_opts=opts.LegendOpts(
            orient="vertical", pos_top="15%", pos_left="2%"
        ),
    )
    .set_series_opts(label_opts=opts.LabelOpts(formatter=": {c}"))
)
pie.render_notebook()

播放量排名前三的分別是生活類、動畫類、鬼畜類。其中動畫類和鬼畜類，這兩個是B站的特色。
第三、四位是音樂類和科技類。

各區(qū)三連量情況可視化

coin_all = [round(i/1000000,2) for i in gp_type['硬幣數(shù)'].tolist()]
like_all = [round(i/1000000,2) for i in gp_type['點贊數(shù)'].tolist()]
favourite_all = [round(i/1000000,2) for i in gp_type['喜歡人數(shù)'].tolist()]
def bar_base() -> Bar:
    c = (
        Bar()
        .add_xaxis(type_all)
        .add_yaxis("硬幣", coin_all)
        .add_yaxis("點贊", like_all)
        .add_yaxis("收藏", favourite_all)
        .set_global_opts(title_opts=opts.TitleOpts(title="各分區(qū)三連情況"),
                        yaxis_opts=opts.AxisOpts(name="次/百萬"),
                        xaxis_opts=opts.AxisOpts(name="分區(qū)",
                                                 axislabel_opts={"rotate":45}))
    )
    return c
        
bar_base().render_notebook()

雖然生活類投幣和點贊數(shù)依然是不可撼動的，但是收藏數(shù)卻排在動畫之后，科技類收藏升至第四位。

彈幕、評論、三聯(lián)情況

danmaku_all = [round(i/100000,2) for i in gp_type['彈幕數(shù)'].tolist()]
reply_all = [round(i/100000,2) for i in gp_type['評論數(shù)'].tolist()]
share_all = [round(i/100000,2) for i in gp_type['轉(zhuǎn)發(fā)數(shù)'].tolist()]

line = (
        Line()
        .add_xaxis(type_all)
        .add_yaxis("彈幕", danmaku_all,label_opts=opts.LabelOpts(is_show=False))
        .add_yaxis("評論", reply_all,label_opts=opts.LabelOpts(is_show=False))
        .add_yaxis("轉(zhuǎn)發(fā)", share_all,label_opts=opts.LabelOpts(is_show=False))
        .set_global_opts(
            title_opts=opts.TitleOpts(title="彈幕、評論、轉(zhuǎn)發(fā)情況"),
            tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"),
            yaxis_opts=opts.AxisOpts(name="人數(shù) 單位：十萬"),
            xaxis_opts=opts.AxisOpts(name="時間(日)",axislabel_opts={"rotate":45})
            )
        )
line.render_notebook()

B站搜索詞云圖

tag_list=','.join(df_nall['標簽名稱']).split(',')
tags_count=pd.Series(tag_list).value_counts()

wordcloud = (
    WordCloud()
    .add("",
         [list(z) for z in zip(tags_count.index,tags_count)], 
         word_size_range=[10, 100])
    .set_global_opts(title_opts=opts.TitleOpts(title="熱門標簽"))
)
wordcloud.render_notebook()

硬幣、收藏、點贊平均人數(shù)分布

gp_triple_quality = df_top100.groupby('區(qū)類別')[['硬幣數(shù)','喜歡人數(shù)','點贊數(shù)',]].mean().astype('int')
gp_index = gp_triple_quality.index.tolist()
gp_coin = gp_triple_quality['硬幣數(shù)'].values.tolist()
gp_favorite = gp_triple_quality['喜歡人數(shù)'].values.tolist()
gp_like = gp_triple_quality['點贊數(shù)'].values.tolist()
max_num = max(gp_triple_quality.values.reshape(-1))

def radar_base() -> Radar:
    c = (
        Radar()
        .add_schema(
            schema=[
                opts.RadarIndicatorItem(name=gp_index[0], max_=600000),
                opts.RadarIndicatorItem(name=gp_index[1], max_=600000),
                opts.RadarIndicatorItem(name=gp_index[2], max_=600000),
                opts.RadarIndicatorItem(name=gp_index[3], max_=600000),
                opts.RadarIndicatorItem(name=gp_index[4], max_=600000),
                opts.RadarIndicatorItem(name=gp_index[5], max_=600000),
                opts.RadarIndicatorItem(name=gp_index[6], max_=600000),
                opts.RadarIndicatorItem(name=gp_index[7], max_=600000),
                opts.RadarIndicatorItem(name=gp_index[8], max_=600000),]
 
        )
        .add("硬幣數(shù)", [gp_coin],color='#40e0d0')
        .add("喜歡人數(shù)", [gp_favorite],color='#1e90ff')
        .add("點贊數(shù)", [gp_like],color='#b8860b')
        .set_series_opts(label_opts=opts.LabelOpts(is_show=False),
                        linestyle_opts=opts.LineStyleOpts(width=3,type_='dotted'),)
        .set_global_opts(title_opts=opts.TitleOpts(title="硬幣、收藏、點贊平均人數(shù)分布"))
    )
    return c
radar_base().render_notebook()

生活區(qū)的平均投幣和點贊量依然高于動畫區(qū)。投幣、點贊、收藏最高的分區(qū)分別是：生活、影視、時尚。除了時尚區(qū)外，其他分區(qū)的收藏量均低于投幣和點贊，且時尚區(qū)的收藏量是遠高其點贊和投幣量。

1.3 分析結(jié)果

從數(shù)據(jù)可視化中可以看到，播放量排名前三的分別是生活類、動畫類、鬼畜類，讓人詫異的是以動漫起家的B站，播放量最多的視頻分類竟然是生活類節(jié)目。

對比總體各分類播放情況，top100各類占比基本保持不變。生活類的平均投幣和點贊量依然高于動畫類。投幣、點贊、收藏最高的分區(qū)分別是：生活、影視、時尚。除了時尚區(qū)外，其他分區(qū)的收藏量均低于投幣和點贊，且時尚區(qū)的收藏量是遠高其點贊和投幣量。

2 單一視頻分析

2.1 數(shù)據(jù)預(yù)處理

B站爬蟲代碼Demo

import requests,csv,time
import sys
from bs4 import BeautifulSoup as BS


'''獲取網(wǎng)頁內(nèi)容'''
def request_get_comment(url):
    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)',
               'Cookie': 'LIVE_BUVID=AUTO7215383727315695; stardustvideo=1; rpdid=kwxwwoiokwdoskqkmlspw; '
                         'fts=1540348439; sid=alz55zmj; CURRENT_FNVAL=16; _uuid=08E6859E-EB68-A6B3-5394-65272461BC6E49706infoc; '
                         'im_notify_type_64915445=0; UM_distinctid=1673553ca94c37-0491294d1a7e36-36664c08-144000-1673553ca956ac; '
                         'DedeUserID=64915445; DedeUserID__ckMd5=cc0f686b911c9f2d; SESSDATA=7af19f78%2C1545711896%2Cb812f4b1; '
                         'bili_jct=dc9a675a0d53e8761351d4fb763922d5; BANGUMI_SS_5852_REC=103088; '
                         'buvid3=AE1D37C0-553C-445A-9979-70927B6C493785514infoc; finger=edc6ecda; CURRENT_QUALITY=80; '
                         'bp_t_offset_64915445=199482032395569793; _dfcaptcha=44f6fd1eadc58f99515d2981faadba86'}

    response = requests.get(url=url,headers=headers)
    soup = BS(response.text.encode(response.encoding).decode('utf8'),'lxml')
    result = soup.find_all('d')
    if len(result) == 0:
        return result
    all_list = []
    for item in result:
        barrage_list = item.get('p').split(",")
        barrage_list.append(item.string)
        barrage_list[4] = time.ctime(eval(barrage_list[4]))
        all_list.append(barrage_list)
    return all_list

'''將秒轉(zhuǎn)化為固定格式："時：分：秒"'''
def sec_to_str(second):
    second = eval(second)
    m,s = divmod(second,60)
    h,m = divmod(m,60)
    dtEventTime = "%02d:%02d:%02d" % (h,m,s)
    return dtEventTime


'''主函數(shù)'''
def main():
    sys.setrecursionlimit(1000000)
    url_list = []
    cid_list = [16980576,16980597,16548432,16483358,16740879,17031320,
           17599975,18226264,17894824,18231028,18491877,18780374]

    tableheader = ['彈幕出現(xiàn)時間', '彈幕格式', '彈幕字體', '彈幕顏色', '彈幕時間戳',
                        '彈幕池','用戶ID','rowID','彈幕信息']

    '''最新彈幕文件'''
    for i in range(12):
        url = "https://comment.bilibili.com/%d.xml" % cid_list[i]
        url_list.append(url)
        file_name = "now{}.csv".format(i + 1)
        with open(file_name,'w',newline='',errors='ignore') as fd:
            comment = request_get_comment(url)
            writer = csv.writer(fd)
            # writer.writerow(tableheader)
            if comment:
                for row in comment:
                    print(row)
                    #writer.writerow(row)
            del comment

    '''按照集數(shù)，取出彈幕鏈接，進行爬蟲，獲取彈幕記錄，并保存到csv文件'''

    for i in range(12):
        file_name = "d{}.csv".format(i+1)
        for j in range(1,13):
            for date in range(2):
                barrage_url = first_barrage_url.format(cid_list[i],"%02d" % j,"%02d" % (1 + date * 14))
                with open(file_name,'a',newline='',errors='ignore') as fd :
                    writer = csv.writer(fd)
                    writer.writerow(tableheader)
                    final_list = request_get_comment(barrage_url)

                    if final_list:
                        for row in final_list:
                            writer.writerow(row)
                    del (final_list)


if __name__ == "__main__":
    main()

2.2 數(shù)據(jù)清洗

導(dǎo)入數(shù)據(jù)分析庫

#數(shù)據(jù)處理庫

import numpy as np

import pandas as pd

import glob

import re

import jieba

#可視化庫

import stylecloud

import matplotlib.pyplot as plt

import seaborn as sns

%matplotlib inline

from pyecharts.charts import *

from pyecharts import options as opts

from pyecharts.globals import ThemeType 

from IPython.display import Image

#文本挖掘庫

from snownlp import SnowNLP

from gensim import corpora,models

合并彈幕數(shù)據(jù)

csv_list = glob.glob('/danmu/*.csv')

print('共發(fā)現(xiàn)%s個CSV文件'% len(csv_list))

print('正在處理............')

for i in csv_list:

    fr = open(i,'r').read()

    with open('danmu_all.csv','a') as f:

        f.write(fr)

print('合并完畢！')

重復(fù)值、缺失值等處理

#error_bad_lines參數(shù)可忽略異常行

df = pd.read_csv("./danmu_all.csv",header=None,error_bad_lines=False)

df = df.iloc[:,[1,2]] #選擇用戶名和彈幕內(nèi)容列

df = df.drop_duplicates() #刪除重復(fù)行

df = df.dropna() #刪除存在缺失值的行

df.columns = ["user","danmu"] #對字段進行命名

清洗后數(shù)據(jù)如下所示：

數(shù)據(jù)去重

機械壓縮去重即數(shù)據(jù)句內(nèi)的去重，我們發(fā)現(xiàn)彈幕內(nèi)容存在例如"啊啊啊啊啊"這種數(shù)據(jù)，而實際做情感分析時，只需要一個“啊”即可。

#定義機械壓縮去重函數(shù)

def yasuo(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

yasuo(st="啊啊啊啊啊啊啊")

應(yīng)用以上函數(shù)，對彈幕內(nèi)容進行句內(nèi)去重。

df["danmu"] = df["danmu"].apply(yasuo)

特殊字符過濾

另外，我們還發(fā)現(xiàn)有些彈幕內(nèi)容包含表情包、特殊符號等，這些臟數(shù)據(jù)也會對情感分析產(chǎn)生一定影響。

特殊字符直接通過正則表達式過濾，匹配出中文內(nèi)容即可。

df['danmu'] = df['danmu'].str.extract(r"([\u4e00-\u9fa5]+)")

df = df.dropna()  #純表情直接刪除

另外，過短的彈幕內(nèi)容一般很難看出情感傾向，可以將其一并過濾。

df = df[df["danmu"].apply(len)>=4]

df = df.dropna()

2.3 數(shù)據(jù)可視化

數(shù)據(jù)可視化分析部分代碼本公眾號往期原創(chuàng)文章已多次提及，本文不做贅述。從可視化圖表來看，網(wǎng)友對《沉默的真相》還是相當認可的，尤其對白宇塑造的正義形象江陽，提及頻率遠高于其他角色。

整體彈幕詞云

主演提及

3 文本挖掘（NLP）

3.1 情感分析

情感分析是對帶有感情色彩的主觀性文本進行分析、處理、歸納和推理的過程。按照處理文本的類別不同，可分為基于新聞評論的情感分析和基于產(chǎn)品評論的情感分析。其中，前者多用于輿情監(jiān)控和信息預(yù)測，后者可幫助用戶了解某一產(chǎn)品在大眾心目中的口碑。目前常見的情感極性分析方法主要是兩種：基于情感詞典的方法和基于機器學習的方法。

本文主要運用Python的第三方庫SnowNLP對彈幕內(nèi)容進行情感分析，使用方法很簡單，計算出的情感score表示語義積極的概率，越接近0情感表現(xiàn)越消極，越接近1情感表現(xiàn)越積極。

df['score'] = df["danmu"].apply(lambda x:SnowNLP(x).sentiments)

df.sample(10) #隨機篩選10個彈幕樣本數(shù)據(jù)

整體情感傾向

plt.rcParams['font.sans-serif'] = ['SimHei']  # 設(shè)置加載的字體名

plt.rcParams['axes.unicode_minus'] = False  # 解決保存圖像是負號'-'顯示為方塊的問題

plt.figure(figsize=(12, 6)) #設(shè)置畫布大小

rate = df['score']

ax = sns.distplot(rate,

            hist_kws={'color':'green','label':'直方圖'},

            kde_kws={'color':'red','label':'密度曲線'},

            bins=20) #參數(shù)color樣式為salmon，bins參數(shù)設(shè)定數(shù)據(jù)片段的數(shù)量

ax.set_title("彈幕整體情感傾向  繪圖：「菜J學Python」公眾號")

plt.show

觀眾對主演的情感傾向

mapping = {'jiangyang':'白宇|江陽', 'yanliang':'廖凡|嚴良', 'zhangchao':'寧理|張超','lijing':'譚卓|李靜', 'wengmeixiang':'李嘉欣|翁美香'}

for key, value in mapping.items():

    df[key] = df['danmu'].str.contains(value)

average_value = pd.Series({key: df.loc[df[key], 'score'].mean() for key in mapping.keys()})

print(average_value.sort_values())

由各主要角色情感得分均值可知，觀眾對他們都表現(xiàn)出積極的情感。翁美香和李靜的情感得分均值相對高一些，難道是男性觀眾偏多？江陽的情感傾向相對較低，可能是觀眾對作為正義化身的他慘遭各種不公而鳴不平吧。

主題分析

這里的主題分析主要是將彈幕情感得分劃分為兩類，分別為積極類（得分在0.8以上）和消極類（得分在0.3以下），然后再在各類里分別細分出5個主題，有助于挖掘出觀眾情感產(chǎn)生的原因。

首先，篩選出兩大類分別進行分詞。

#分詞

data1 = df['danmu'][df["score"]>=0.8]

data2 = df['danmu'][df["score"]<0.3]

word_cut = lambda x:' '.join(jieba.cut(x)) #以空格隔開

data1 = data1.apply(word_cut)

data2 = data2.apply(word_cut)

print(data1)

print('----------------------')

print(data2)

123456789

首先，篩選出兩大類分別進行分詞。

#去除停用詞

stop = pd.read_csv("/菜J學Python/stop_words.txt",encoding='utf-8',header=None,sep='tipdm')

stop = [' ',''] + list(stop[0])

#print(stop)

pos = pd.DataFrame(data1)

neg = pd.DataFrame(data2)

pos["danmu_1"] = pos["danmu"].apply(lambda s:s.split(' '))

pos["danmu_pos"] = pos["danmu_1"].apply(lambda x:[i for i in x if i.encode('utf-8') not in stop])

#print(pos["danmu_pos"])

neg["danmu_1"] = neg["danmu"].apply(lambda s:s.split(' '))

neg["danmu_neg"] = neg["danmu_1"].apply(lambda x:[i for i in x if i.encode('utf-8') not in stop])

其次，對積極類彈幕進行主題分析。

#正面主題分析

pos_dict = corpora.Dictionary(pos["danmu_pos"]) #建立詞典

#print(pos_dict)

pos_corpus = [pos_dict.doc2bow(i) for i in pos["danmu_pos"]] #建立語料庫

pos_lda = models.LdaModel(pos_corpus,num_topics=5,id2word=pos_dict) #LDA模型訓練

print("正面主題分析：")

for i in range(5):

    print('topic',i+1)

    print(pos_lda.print_topic(i)) #輸出每個主題

    print('-'*50)

結(jié)果如下：

最后，對消極類彈幕進行主題分析。

#負面主題分析

neg_dict = corpora.Dictionary(neg["danmu_neg"]) #建立詞典

#print(neg_dict)

neg_corpus = [neg_dict.doc2bow(i) for i in neg["danmu_neg"]] #建立語料庫

neg_lda = models.LdaModel(neg_corpus,num_topics=5,id2word=neg_dict) #LDA模型訓練

print("負面面主題分析：")

for j in range(5):

    print('topic',j+1)

    print(neg_lda.print_topic(j)) #輸出每個主題

    print('-'*50)

結(jié)果如下：

項目運行效果：

項目獲?。?/strong>