Python爬《沉默的真相》3万+弹幕，告诉你这剧到底“香”在哪？_print

原标题：Python爬《沉默的真相》3万+弹幕，告诉你这剧到底“香”在哪？

文末扫海报二维码领【本文代码】

J哥 | 作者

菜J学Python | 来源

https://mp.weixin.qq.com/s/le-jsfCEZgfhfyeCwQPmEQ

本文运用文本挖掘技术，对最近热播剧《沉默的真相》3万+弹幕进行数据分析，希望对你有一定的启发。

本文数据分析思路及步骤如下图所示，阅读本文需要10min，你可添加小数获取弹幕数据进行测试。

1

数据获取

本文仅提供核心代码：

fromxml.dom.minidom importparse

importxml.dom.minidom

defxml_parse(file_name):

DOMTree = xml.dom.minidom.parse(file_name)

collection = DOMTree.documentElement

# 在集合中获取所有entry数据

entrys = collection.getElementsByTagName( "entry")

print(entrys)

result = []

forentry inentrys:

content = entry.getElementsByTagName( 'content')[ 0]

print(content.childNodes[ 0].data)

i = content.childNodes[ 0].data

name = entry.getElementsByTagName( 'name')[ 0]

print(name.childNodes[ 0].data)

j = name.childNodes[ 0].data

dd = [j,i]

result.append(dd)

print(result)

returnresult

2

数据清洗

1.导入数据分析库

#数据处理库

importnumpy asnp

importpandas aspd

importglob

importre

importjieba

#可视化库

importstylecloud

importmatplotlib.pyplot asplt

importseaborn assns

%matplotlib inline

frompyecharts.charts import*

frompyecharts importoptions asopts

frompyecharts.globals importThemeType

fromIPython.display importImage

#文本挖掘库

fromsnownlp importSnowNLP

fromgensim importcorpora,models

2.合并弹幕数据

《沉默的真相》共12集，分集爬取，共生成12个 csv格式的弹幕数据文件，保存在 danmu文件夹中。通过 glob方法遍历所有文件，读取数据并追加保存到 danmu_all文件中。

csv_list = glob. glob( '/菜J学Python/danmu/*.csv')

print( '共发现%s个CSV文件'% len(csv_list))

print( '正在处理............')

fori in csv_lis t:

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

with open( 'danmu_all.csv', 'a') asf:

f. write(fr)

print( '合并完毕！')

3.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

df

清洗后数据如下所示：

4.机械压缩去重

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

def yasuo( st):

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

forjin range( len( st)):

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

k= j+ i

whilest[ 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)

5.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

3

数据可视化

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。

1.整体弹幕词云

2.主演提及

4

文本挖掘（NLP）

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

(1)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

(2)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, value in mapping. items:

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

average_value = pd.Series({key: df. loc[df[key], 'score'].mean forkey in mapping. 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。

2.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)

然后， 分别去除停用词:

#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:[i fori inx ifi.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:[i fori inx ifi.encode( 'utf-8') notinstop])

接着， 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) fori inpos[ "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：")

fori inrange(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) fori inneg[ "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：")

forj inrange(5):

print( 'topic',j+1)

print(neg_lda.print_topic(j)) #输出每个主题

print( '-'*50)

结果如下：

5

总结

本文较为系统的分析了 《沉默的的真相》3万+弹幕数据，但由于 snownlp对商品评论做文本挖掘更有效，您也可以尝试用 百度AI和腾讯AI进行情感分析，分析的结果可能更准确一些。