用 Python 来了解一下《安家》

如果要选一部近期最火的电视剧，一定非《安家》莫属，你可能没有具体看过，但如果你看微博的话一定听过这个名字，这部电视剧多次登上微博热搜榜，好像还有几次冲上了热搜榜首，该剧主要讲述的是关于房产中介卖房的故事，电视剧原名也是叫卖房子的人。

使用 Python 分析这部电视剧，主要包括两个步骤：获取数据和分析数据，数据来源我们选取《安家》的豆瓣评论区数据。

获取数据

豆瓣中《安家》的地址是：https://movie.douban.com/subject/30482003/，我们打开看一下，如下图所示：

从图中我们可以直观的看出截止目前有 9 万多人进行了打分，从评分上来看，打三星和四星的人数居多，总体评分 6.2 属于及格分，算是中规中矩吧。

我们把页面向下拉到评论区位置，如下图所示：

我们可以看到目前有 3 万多条评论数据，豆瓣对查看评论数据的限制是：未登录时最多可以查看 200 条，登录用户最多可以查看 500 条，也就是说我们最多可以抓取 500 条评论相关的信息，我们要抓取的数据项包括：用户昵称、星级、评论时间、评论内容，将这些信息抓取后我们再将其存到 csv 文件，代码实现如下：

import requests, time, random, pandas as pdfrom lxml import etree
def spider(): url = 'https://accounts.douban.com/j/mobile/login/basic' headers = {"User-Agent": 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)'} # 安家评论网址，为了动态翻页，start 后加了格式化数字，短评页面有 20 条数据，每页增加 20 条 url_comment = 'https://movie.douban.com/subject/30482003/comments?start=%d&limit=20&sort=new_score&status=P' data = { 'ck': '', 'name': '自己的用户', 'password': '自己的密码', 'remember': 'false', 'ticket': '' } session = requests.session() session.post(url=url, headers=headers, data=data) # 初始化 4 个 list 分别存用户名、评星、时间、评论文字 users = [] stars = [] times = [] content = [] # 抓取 500 条，每页 20 条，这也是豆瓣给的上限 for i in range(0, 500, 20): # 获取 HTML data = session.get(url_comment % i, headers=headers) # 状态码 200 表是成功 print('第', i, '页', '状态码：',data.status_code) # 暂停 0-1 秒时间，防止 IP 被封 time.sleep(random.random()) # 解析 HTML selector = etree.HTML(data.text) # 用 xpath 获取单页所有评论 comments = selector.xpath('//div[@class="comment"]') # 遍历所有评论，获取详细信息 for comment in comments: # 获取用户名 user = comment.xpath('.//h3/span[2]/a/text()')[0] # 获取评星 star = comment.xpath('.//h3/span[2]/span[2]/@class')[0][7:8] # 获取时间 date_time = comment.xpath('.//h3/span[2]/span[3]/@title') # 有的时间为空，需要判断下 if len(date_time) != 0: date_time = date_time[0] else: date_time = None # 获取评论文字 comment_text = comment.xpath('.//p/span/text()')[0].strip() # 添加所有信息到列表 users.append(user) stars.append(star) times.append(date_time) content.append(comment_text) # 用字典包装 comment_dic = {'user': users, 'star': stars, 'time': times, 'comments': content} # 转换成 DataFrame 格式 comment_df = pd.DataFrame(comment_dic) # 保存数据 comment_df.to_csv('data.csv') # 将评论单独再保存下来 comment_df['comments'].to_csv('comment.csv', index=False)

分析数据

现在数据取到了，我们使用 Python 来对这些数据进行分析一下。

评论数量

首先，我们来统计一下这 500 条数据每天的评论数量，然后利用折线图进行数据展示，代码实现如下：

import pandas as pd, matplotlib.pyplot as plt
csv_data = pd.read_csv('data.csv')df = pd.DataFrame(csv_data)df_gp = df.groupby(['time']).size()values = df_gp.values.tolist()index = df_gp.index.tolist()# 设置画布大小plt.figure(figsize=(10, 6))# 数据plt.plot(index, values, label='评论数')# 设置数字标签for a, b in zip(index, values): plt.text(a, b, b, ha='center', va='bottom', fontsize=13, color='black')plt.title('评论数随时间变化折线图')plt.xticks(rotation=330)plt.tick_params(labelsize=10)plt.ylim(0, 200)plt.legend(loc='upper right')plt.show()

看一下效果图：

从图中我们可以看出 2 月 21、22 这两天评论数最多，其中 2 月 21 号为开播日，评论数较多很正常， 2 月 22 号评论数多于开播日，我们大致可以推测是开播后网络等渠道进一步扩散的因素，之后随着时间的推移热度有所下降，评论数量呈下降至相对平稳的趋势。

角色分析

我们接着统计评论区中几个主要角色被提及的次数，然后再利用柱状图进行数据展示，代码实现如下所示：

import pandas as pd, jieba, matplotlib.pyplot as plt
csv_data = pd.read_csv('data.csv')roles = {'姑姑':0, '房似锦':0, '王子':0, '闪闪':0, '老油条':0, '楼山关':0, '鱼化龙':0}names = list(roles.keys())for name in names: jieba.add_word(name)for row in csv_data['comments']: row = str(row) for name in names: count = row.count(name) roles[name] += countplt.figure(figsize=(8, 5))# 数据plt.bar(list(roles.keys()), list(roles.values()), width=0.5, label='提及次数', color=['g', 'r', 'dodgerblue', 'c', 'm', 'y', 'aquamarine'])# 设置数字标签for a, b in zip(list(roles.keys()), list(roles.values())): plt.text(a, b, b, ha='center', va='bottom', fontsize=13, color='black')plt.title('角色被提及次数柱状图')plt.xticks(rotation=270)plt.tick_params(labelsize=10)plt.ylim(0, 30)plt.legend(loc='upper right')plt.show()

看一下效果图：

我们从角色被提及的次数可以大致推测出角色的受欢迎程度。

星级变化

我们接着根据获取数据来看一下这几天星级变化的大致趋势，一天中如果有多条星评我们取其平均值即可，代码实现如下所示：

import pandas as pd, numpy as np, matplotlib.pyplot as plt
csv_data = pd.read_csv('data.csv')df_time = csv_data.groupby(['time']).size()df_star = csv_data.groupby(['star']).size()index = df_time.index.tolist()value = [0] * len(index)# 生成字典dic = dict(zip(index, value))for k, v in dic.items(): stars = csv_data.loc[csv_data['time'] == str(k), 'star'] # 平均值 avg = np.mean(list(map(int, stars.values.tolist()))) dic[k] = round(avg ,2)# 设置画布大小plt.figure(figsize=(9, 6))# 数据plt.plot(list(dic.keys()), list(dic.values()), label='星级')plt.title('星级随时间变化折线图')plt.xticks(rotation=330)plt.tick_params(labelsize=10)plt.ylim(0, 5)plt.legend(loc='upper right')plt.show()

看一下效果图：

从现有数据来看，《安家》的星级整体维持在 2 星左右，我们可以发现尽管该剧比较热，但观众对该剧的满意并不是很高。

词云展示

最后，我们对所有评论进行词云效果展示，这样可以让我们更加直观的看出评论区哪些词汇出现的频率较高，实现代码如下所示：

from wordcloud import WordCloudimport numpy as np, jiebafrom PIL import Image
def jieba_(): # 打开评论数据文件 content = open('comment.csv', 'rb').read() # jieba 分词 word_list = jieba.cut(content) words = [] # 过滤掉的词 remove_words = ['以及', '不会', '一些', '那个', '只有', '不过', '东西', '这个', '所有', '这么', '但是', '全片', '一点', '一部', '一个', '什么', '虽然', '一切', '样子', '一样', '只能', '不是', '一种', '这个', '为了'] for word in word_list: if word not in remove_words: words.append(word) global word_cloud # 用逗号隔开词语 word_cloud = '，'.join(words)
def cloud(): # 打开词云背景图 cloud_mask = np.array(Image.open('bg.jpg')) # 定义词云的一些属性 wc = WordCloud( # 背景图分割颜色为白色 background_color='white', # 背景图样 mask=cloud_mask, # 显示最大词数 max_words=100, # 显示中文 font_path='./fonts/simhei.ttf', # 最大尺寸 max_font_size=80 ) global word_cloud # 词云函数 x = wc.generate(word_cloud) # 生成词云图片 image = x.to_image() # 展示词云图片 image.show() # 保存词云图片 wc.to_file('anjia.png')
jieba_()cloud()

看一下效果图：

总结

本文通过爬取豆瓣中《安家》的评论区数据并对其进行可视化，我们可以大致了解观众对《安家》这部电视大致的评价情况，当然因为我们所获取的样本数量有限，可能或多或少还会与用户实际的评价情况有一点偏差。

【代码获取方式】