怎么用Python分析44萬條數據

本篇文章給大家分享的是有關怎么用Python分析44萬條數據，小編覺得挺實用的，因此分享給大家學習，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。

有個段子講“十年文案老司機，不如網易評論區，網易文豪遍地走，評論全部單身狗”，網易云音樂的評論區也一直都是各類文案大神的聚集地。

那么我們普通用戶到底如何成為網易云音樂評論里的熱評段子手？

讓我來分析一下。

獲取數據

其實邏輯并不復雜：

1. 爬取歌單列表里的所有歌單url。

2. 進入每篇歌單爬取所有歌曲url，去重。

3. 進入每首歌曲首頁爬取熱評，匯總。

歌單列表是這樣的：

翻頁并觀察它的url變化，注意下方動圖，每次翻頁末尾變化35。

采用requests+pyquery來爬取。

在學習過程中有什么不懂得可以加我的
python學習交流扣扣qun，784758214
群里有不錯的學習視頻教程、開發工具與電子書籍。
與你分享python企業當下人才需求及怎么從零基礎學習好python，和學習什么內容
def get_list():
    list1 = []
    for i in range(0,1295,35):
        url = 'https://music.163.com/discover/playlist/?order=hot&cat=%E5%8D%8E%E8%AF%AD&limit=35&offset='+str(i)
        print('已成功采集%i頁歌單\n' %(i/35+1))
        data = []
        html = restaurant(url)
        doc = pq(html)
        for i in range(1,36): # 一頁35個歌單
            a = doc('#m-pl-container > li:nth-child(' + str(i) +') > div > a').attr('href')
            a1 = 'https://music.163.com/api' + a.replace('?','/detail?')
            data.append(a1)
        list1.extend(data)
        time.sleep(5+random.random())
    return list1

這樣我們就可以獲得38頁每頁35篇歌單，共1300+篇歌單。

下面我們需要進入每篇歌單爬取所有歌曲url，并且要注意最后“去重”，不同歌單可能包含同一首歌曲。

點開一篇歌單，注意紅色圈出的id。

觀察一下，我們要在每篇歌單下方獲取的信息也就是紅框圈出的這些，利用剛剛爬取到的歌單id和網易云音樂的api（下一篇文章細講）可以構造出：

不方便看的話我們解析一下json。

def get_playlist(url):
    data = []
    doc = get_json(url)
    obj=json.loads(doc)
    jobs=obj['result']['tracks']
    for job in jobs:
        dic = {}
        dic['name']=jsonpath.jsonpath(job,'$..name')[0] #歌曲名稱
        dic['id']=jsonpath.jsonpath(job,'$..id')[0] #歌曲ID
        data.append(dic)
    return data

這樣我們就獲取了所有歌單下的歌曲，記得去重。

#去重
data = data.drop_duplicates(subset=None, keep='first', inplace=True)

剩下就是獲取每首歌曲的熱評了，與前面獲取歌曲類似，也是根據api構造，很容易就找到了。

def get_comments(url,k):
    data = []
    doc = get_json(url)
    obj=json.loads(doc)
    jobs=obj['hotComments']
    for job in jobs:
        dic = {}
        dic['content']=jsonpath.jsonpath(job,'$..content')[0] 
        dic['time']= stampToTime(jsonpath.jsonpath(job,'$..time')[0])
        dic['userId']=jsonpath.jsonpath(job['user'],'$..userId')[0]  #用戶ID
        dic['nickname']=jsonpath.jsonpath(job['user'],'$..nickname')[0]#用戶名
        dic['likedCount']=jsonpath.jsonpath(job,'$..likedCount')[0] 
        dic['name']= k
        data.append(dic)
    return data

匯總后就獲得了44萬條音樂熱評數據。

數據分析

清洗填充一下。

def data_cleaning(data):
    cols = data.columns
    for col in cols:
        if data[col].dtype ==  'object':
            data[col].fillna('缺失數據', inplace = True)
        else:
            data[col].fillna(0, inplace = True)
    return(data)

按照點贊數排個序。

#排序
df1['likedCount'] = df1['likedCount'].astype('int')
df_2 = df1.sort_values(by="likedCount",ascending=False)
df_2.head()

再看看哪些熱評是被復制粘貼搬來搬去的。

#排序
df_line = df.groupby(['content']).count().reset_index().sort_values(by="name",ascending=False)
df_line.head()

第一個和第三個只是末尾有沒有句號的區別，可以歸為一類。這樣的話，重復次數最多個這句話竟然重復了412次，額~~

看看上熱評次數次數最多的是哪位大神？從他的身上我們能學到什么經驗？

df_user = df.groupby(['userId']).count().reset_index().sort_values(by="name",ascending=False)
df_user.head()

按照 user_id 匯總一下，排序。

成功“捕獲”一枚“段子手”，上熱評次數高達347，我們再看看這位大神究竟都評論些什么？

df_user_max = df.loc[(df['userId'] == 101***770)]
df_user_max.head()

這位“失眠的陳先生”看來各種情話嫻熟于手啊，下面就以他舉例來看看如何成為網易云音樂評論里的熱評段子手吧。

數據可視化

先看看這347條評論的贊數分布。

#贊數分布圖
import matplotlib.pyplot as plt
data = df_user_max['likedCount']
#data.to_csv("df_user_max.csv", index_label="index_label",encoding='utf-8-sig')
plt.hist(data,100,normed=True,facecolor='g',alpha=0.9)
plt.show()

很明顯，贊數并不多，大部分都在500贊之內，幾百贊卻能躋身熱評，這也側面說明了這些歌曲是比較小眾的，看來是經常在新歌區廣撒網。

我們使用len() 求出每條評論的字符串長度，再畫個分布圖

評論的字數集中在18—30字之間，這說明在留言時要注意字數，保險的做法是不要太長讓人讀不下去，也不要太短以免不夠經典。

做個詞云。

可以看出他的評論風格是以一首歌使他“想起”“感覺”為開頭，賓語通常是“喜歡的女孩子”，也經常用”她”來指代。寄托的情感是“后悔”“悲傷”，感慨的終點是“放下”。

以上就是怎么用Python分析44萬條數據，小編相信有部分知識點可能是我們日常工作會見到或用到的。希望你能通過這篇文章學到更多知識。更多詳情敬請關注億速云行業資訊頻道。