乐东黎族自治县网站建设_网站建设公司_Angular_seo优化

0 数据分析目标

今天向大家介绍如何使用大数据技术，对B站的视频数据进行分析，得到可视化结果。

这里学长分为两个部分描述：

• 1 对B站整体视频进行数据分析
• 2 对B站的具体视频进行弹幕情感分析

🧿选题指导, 项目分享：见文末

1 B站整体视频数据分析

分析方向：首先从总体情况进行分析，之后分析综合排名top100的视频类别。

总体情况部分包括：

1. 各分区播放量情况。
2. 各区三连（硬币、收藏、点赞）情况。
3. 弹幕、评论、转发情况。
4. 绘制综合词云图，查看关键词汇。

综合排名top100部分包括：
5. top100类别占比。
6. top100播放量情况。
7. 硬币、收藏、点赞平均人数分布。
8. 各分区平均评论、弹幕、转发量情况。

1.1 数据预处理

这里主要是进行查看数据信息、空值、重复值以及数据类型，但由于数据很完整这里不再做过多操作。

对数据进行拆分、聚合，方便之后各项分析，由于“区类别”列中的“全站”是各分类中排名靠前的视频，会出现重复数据，因此对其进行去除。

df.info()df.isnull().count()df.nunique().count()df.dtypes#剔除全区排名df_nall=df.loc[df['区类别']!='全站']df_nall['区类别'].value_counts()#按分数进行排序ascdf_top100=df_nall.sort_values(by='分数',ascending=False)[:100]df_type=df_nall.drop(['作者','视频编号','标签名称','视频名称','排名'],axis=1)gp_type=df_type.groupby('区类别').sum().astype('int')type_all=gp_type.index.tolist()

1.2 数据可视化

各分区播放情况

play=[round(i/100000000,2)foriingp_type['播放次数'].tolist()]# bar = (Bar()# .add_xaxis(type_all)# .add_yaxis("", play)# .set_global_opts(# title_opts=opts.TitleOpts(title="各分区播放量情况"),# yaxis_opts=opts.AxisOpts(name="次/亿"),# xaxis_opts=opts.AxisOpts(name="分区",axislabel_opts={"rotate":45})# )# )# bar.render_notebook()pie=(Pie().add("",[list(z)forzinzip(type_all,play)],radius=["40%","75%"],).set_global_opts(title_opts=opts.TitleOpts(title="各分区播放量情况 单位：亿次"),legend_opts=opts.LegendOpts(orient="vertical",pos_top="15%",pos_left="2%"),).set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}")))pie.render_notebook()

播放量排名前三的分别是生活类、动画类、鬼畜类。其中动画类和鬼畜类，这两个是B站的特色。
第三、四位是音乐类和科技类。

各区三连量情况可视化

coin_all=[round(i/1000000,2)foriingp_type['硬币数'].tolist()]like_all=[round(i/1000000,2)foriingp_type['点赞数'].tolist()]favourite_all=[round(i/1000000,2)foriingp_type['喜欢人数'].tolist()]defbar_base()->Bar:c=(Bar().add_xaxis(type_all).add_yaxis("硬币",coin_all).add_yaxis("点赞",like_all).add_yaxis("收藏",favourite_all).set_global_opts(title_opts=opts.TitleOpts(title="各分区三连情况"),yaxis_opts=opts.AxisOpts(name="次/百万"),xaxis_opts=opts.AxisOpts(name="分区",axislabel_opts={"rotate":45})))returnc bar_base().render_notebook()

虽然生活类投币和点赞数依然是不可撼动的，但是收藏数却排在动画之后，科技类收藏升至第四位。

弹幕、评论、三联情况

danmaku_all=[round(i/100000,2)foriingp_type['弹幕数'].tolist()]reply_all=[round(i/100000,2)foriingp_type['评论数'].tolist()]share_all=[round(i/100000,2)foriingp_type['转发数'].tolist()]line=(Line().add_xaxis(type_all).add_yaxis("弹幕",danmaku_all,label_opts=opts.LabelOpts(is_show=False)).add_yaxis("评论",reply_all,label_opts=opts.LabelOpts(is_show=False)).add_yaxis("转发",share_all,label_opts=opts.LabelOpts(is_show=False)).set_global_opts(title_opts=opts.TitleOpts(title="弹幕、评论、转发情况"),tooltip_opts=opts.TooltipOpts(trigger="axis",axis_pointer_type="cross"),yaxis_opts=opts.AxisOpts(name="人数 单位：十万"),xaxis_opts=opts.AxisOpts(name="时间(日)",axislabel_opts={"rotate":45})))line.render_notebook()

B站搜索词云图

tag_list=','.join(df_nall['标签名称']).split(',')tags_count=pd.Series(tag_list).value_counts()wordcloud=(WordCloud().add("",[list(z)forzinzip(tags_count.index,tags_count)],word_size_range=[10,100]).set_global_opts(title_opts=opts.TitleOpts(title="热门标签")))wordcloud.render_notebook()

硬币、收藏、点赞平均人数分布

gp_triple_quality=df_top100.groupby('区类别')[['硬币数','喜欢人数','点赞数',]].mean().astype('int')gp_index=gp_triple_quality.index.tolist()gp_coin=gp_triple_quality['硬币数'].values.tolist()gp_favorite=gp_triple_quality['喜欢人数'].values.tolist()gp_like=gp_triple_quality['点赞数'].values.tolist()max_num=max(gp_triple_quality.values.reshape(-1))defradar_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("硬币数",[gp_coin],color='#40e0d0').add("喜欢人数",[gp_favorite],color='#1e90ff').add("点赞数",[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="硬币、收藏、点赞平均人数分布")))returnc radar_base().render_notebook()

生活区的平均投币和点赞量依然高于动画区。投币、点赞、收藏最高的分区分别是：生活、影视、时尚。除了时尚区外，其他分区的收藏量均低于投币和点赞，且时尚区的收藏量是远高其点赞和投币量。

1.3 分析结果

从数据可视化中可以看到，播放量排名前三的分别是生活类、动画类、鬼畜类，让人诧异的是以动漫起家的B站，播放量最多的视频分类竟然是生活类节目。

对比总体各分类播放情况，top100各类占比基本保持不变。生活类的平均投币和点赞量依然高于动画类。投币、点赞、收藏最高的分区分别是：生活、影视、时尚。除了时尚区外，其他分区的收藏量均低于投币和点赞，且时尚区的收藏量是远高其点赞和投币量。

2 单一视频分析

2.1 数据预处理

B站爬虫代码Demo

importrequests,csv,timeimportsysfrombs4importBeautifulSoupasBS'''获取网页内容'''defrequest_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')iflen(result)==0:returnresult all_list=[]foriteminresult: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)returnall_list'''将秒转化为固定格式："时：分：秒"'''defsec_to_str(second):second=eval(second)m,s=divmod(second,60)h,m=divmod(m,60)dtEventTime="%02d:%02d:%02d"%(h,m,s)returndtEventTime'''主函数'''defmain():sys.setrecursionlimit(1000000)url_list=[]cid_list=[16980576,16980597,16548432,16483358,16740879,17031320,17599975,18226264,17894824,18231028,18491877,18780374]tableheader=['弹幕出现时间','弹幕格式','弹幕字体','弹幕颜色','弹幕时间戳','弹幕池','用户ID','rowID','弹幕信息']'''最新弹幕文件'''foriinrange(12):url="https://comment.bilibili.com/%d.xml"%cid_list[i]url_list.append(url)file_name="now{}.csv".format(i+1)withopen(file_name,'w',newline='',errors='ignore')asfd:comment=request_get_comment(url)writer=csv.writer(fd)# writer.writerow(tableheader)ifcomment:forrowincomment:print(row)#writer.writerow(row)delcomment'''按照集数，取出弹幕链接，进行爬虫，获取弹幕记录，并保存到csv文件'''foriinrange(12):file_name="d{}.csv".format(i+1)forjinrange(1,13):fordateinrange(2):barrage_url=first_barrage_url.format(cid_list[i],"%02d"%j,"%02d"%(1+date*14))withopen(file_name,'a',newline='',errors='ignore')asfd:writer=csv.writer(fd)writer.writerow(tableheader)final_list=request_get_comment(barrage_url)iffinal_list:forrowinfinal_list:writer.writerow(row)del(final_list)if__name__=="__main__":main()

2.2 数据清洗

导入数据分析库

#数据处理库importnumpyasnpimportpandasaspdimportglobimportreimportjieba#可视化库importstylecloudimportmatplotlib.pyplotaspltimportseabornassns%matplotlib inlinefrompyecharts.chartsimport*frompyechartsimportoptionsasoptsfrompyecharts.globalsimportThemeTypefromIPython.displayimportImage#文本挖掘库fromsnownlpimportSnowNLPfromgensimimportcorpora,models

合并弹幕数据

csv_list=glob.glob('/danmu/*.csv')print('共发现%s个CSV文件'%len(csv_list))print('正在处理............')foriincsv_list:fr=open(i,'r').read()withopen('danmu_all.csv','a')asf:f.write(fr)print('合并完毕！')

重复值、缺失值等处理

#error_bad_lines参数可忽略异常行df=pd.read_csv("./danmu_all.csv",header=None,error_bad_lines=False)df=df.iloc[:,[1,2]]#选择用户名和弹幕内容列df=df.drop_duplicates()#删除重复行df=df.dropna()#删除存在缺失值的行df.columns=["user","danmu"]#对字段进行命名

清洗后数据如下所示：

数据去重

机械压缩去重即数据句内的去重，我们发现弹幕内容存在例如"啊啊啊啊啊"这种数据，而实际做情感分析时，只需要一个“啊”即可。

#定义机械压缩去重函数defyasuo(st):foriinrange(1,int(len(st)/2)+1):forjinrange(len(st)):ifst[j:j+i]==st[j+i:j+2*i]:k=j+iwhilest[k:k+i]==st[k+i:k+2*i]andk<len(st):k=k+i st=st[:j]+st[k:]returnst yasuo(st="啊啊啊啊啊啊啊")

应用以上函数，对弹幕内容进行句内去重。

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

特殊字符过滤

另外，我们还发现有些弹幕内容包含表情包、特殊符号等，这些脏数据也会对情感分析产生一定影响。

特殊字符直接通过正则表达式过滤，匹配出中文内容即可。

df['danmu']=df['danmu'].str.extract(r"([\u4e00-\u9fa5]+)")df=df.dropna()#纯表情直接删除

另外，过短的弹幕内容一般很难看出情感倾向，可以将其一并过滤。

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

2.3 数据可视化

数据可视化分析部分代码本公众号往期原创文章已多次提及，本文不做赘述。从可视化图表来看，网友对《沉默的真相》还是相当认可的，尤其对白宇塑造的正义形象江阳，提及频率远高于其他角色。

整体弹幕词云

主演提及

3 文本挖掘（NLP）

3.1 情感分析

情感分析是对带有感情色彩的主观性文本进行分析、处理、归纳和推理的过程。按照处理文本的类别不同，可分为基于新闻评论的情感分析和基于产品评论的情感分析。其中，前者多用于舆情监控和信息预测，后者可帮助用户了解某一产品在大众心目中的口碑。目前常见的情感极性分析方法主要是两种：基于情感词典的方法和基于机器学习的方法。

本文主要运用Python的第三方库SnowNLP对弹幕内容进行情感分析，使用方法很简单，计算出的情感score表示语义积极的概率，越接近0情感表现越消极，越接近1情感表现越积极。

df['score']=df["danmu"].apply(lambdax:SnowNLP(x).sentiments)df.sample(10)#随机筛选10个弹幕样本数据

整体情感倾向

plt.rcParams['font.sans-serif']=['SimHei']# 设置加载的字体名plt.rcParams['axes.unicode_minus']=False# 解决保存图像是负号'-'显示为方块的问题plt.figure(figsize=(12,6))#设置画布大小rate=df['score']ax=sns.distplot(rate,hist_kws={'color':'green','label':'直方图'},kde_kws={'color':'red','label':'密度曲线'},bins=20)#参数color样式为salmon，bins参数设定数据片段的数量ax.set_title("弹幕整体情感倾向 绘图：「菜J学Python」公众号")plt.show

观众对主演的情感倾向

mapping={'jiangyang':'白宇|江阳','yanliang':'廖凡|严良','zhangchao':'宁理|张超','lijing':'谭卓|李静','wengmeixiang':'李嘉欣|翁美香'}forkey,valueinmapping.items():df[key]=df['danmu'].str.contains(value)average_value=pd.Series({key:df.loc[df[key],'score'].mean()forkeyinmapping.keys()})print(average_value.sort_values())

由各主要角色情感得分均值可知，观众对他们都表现出积极的情感。翁美香和李静的情感得分均值相对高一些，难道是男性观众偏多？江阳的情感倾向相对较低，可能是观众对作为正义化身的他惨遭各种不公而鸣不平吧。

主题分析

这里的主题分析主要是将弹幕情感得分划分为两类，分别为积极类（得分在0.8以上）和消极类（得分在0.3以下），然后再在各类里分别细分出5个主题，有助于挖掘出观众情感产生的原因。

首先，筛选出两大类分别进行分词。

#分词data1=df['danmu'][df["score"]>=0.8]data2=df['danmu'][df["score"]<0.3]word_cut=lambdax:' '.join(jieba.cut(x))#以空格隔开data1=data1.apply(word_cut)data2=data2.apply(word_cut)print(data1)print('----------------------')print(data2)123456789首先，筛选出两大类分别进行分词。#去除停用词stop=pd.read_csv("/菜J学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(lambdas:s.split(' '))pos["danmu_pos"]=pos["danmu_1"].apply(lambdax:[iforiinxifi.encode('utf-8')notinstop])#print(pos["danmu_pos"])neg["danmu_1"]=neg["danmu"].apply(lambdas:s.split(' '))neg["danmu_neg"]=neg["danmu_1"].apply(lambdax:[iforiinxifi.encode('utf-8')notinstop])

其次，对积极类弹幕进行主题分析。

#正面主题分析pos_dict=corpora.Dictionary(pos["danmu_pos"])#建立词典#print(pos_dict)pos_corpus=[pos_dict.doc2bow(i)foriinpos["danmu_pos"]]#建立语料库pos_lda=models.LdaModel(pos_corpus,num_topics=5,id2word=pos_dict)#LDA模型训练print("正面主题分析：")foriinrange(5):print('topic',i+1)print(pos_lda.print_topic(i))#输出每个主题print('-'*50)

结果如下：

最后，对消极类弹幕进行主题分析。

#负面主题分析neg_dict=corpora.Dictionary(neg["danmu_neg"])#建立词典#print(neg_dict)neg_corpus=[neg_dict.doc2bow(i)foriinneg["danmu_neg"]]#建立语料库neg_lda=models.LdaModel(neg_corpus,num_topics=5,id2word=neg_dict)#LDA模型训练print("负面面主题分析：")forjinrange(5):print('topic',j+1)print(neg_lda.print_topic(j))#输出每个主题print('-'*50)

结果如下：

🧿 项目分享:大家可自取用于参考学习，获取方式见文末!