Python分析9万条数据 复仇者联盟谁才是C位

《复联 4》国内上映第十天，程序员的江湖里开始流传这样一个故事，即：

漫威宇宙，其实就讲了一件事情。整个宇宙就好比一个项目组。其中有一群叫作美国队长、钢铁侠、惊奇队长、浩克、索尔等人在维护这个项目，兢兢业业的维护整个项目。

某一天，出现了一个天才程序员，叫灭霸。当他加入到这家公司的时候，他意识到，这个项目已经非常庞大，仅仅是编译，就要几个小时。运行起来负重累累。而服务器资源又非常的有限，老板又不给预算买新机器，如果一直继续这么开发下去，这个项目迟早要出现 P0 事故。于是，他下定决定要把这个项目全面优化，使用用面向对象思想，提取重复代码，业务拆分，算法优化等手段，彻底优化，目标是代码量减少 50%。

美国队长带领的项目组叫复仇者联盟，发现了灭霸程序员的想法后，阻止并警告灭霸说：不要轻易去改老代码！！很容易出 bug 的，代码能跑就行！！

那么，作为一个写程序员的电影，我们怎么不能用数据来分析一下，喜欢漫威宇宙的观众对《复联 4》的评价呢？

抓取数据

业界朋友们，在电影分析中，使用猫眼的数据比较多。在本文中，笔者也使用了猫眼的接口来获取数据，方便处理，数据量也比较多。

在 Python 中，使用 Request 可以很方便地发送请求，拿到接口返回的 JSON 数据，来看代码：

defgetMoveinfo(url):session=requests.Session()headers={"User-Agent":"Mozilla/5.0",
"Accept":"text/html,application/xhtml+xml",
"Cookie":"_lxsdk_cuid="}response=session.get(url,headers=headers)ifresponse.status_code==200:
returnresponse.textreturnNone

请求返回的是一个 JSON 数据，拿到我们想要的评论原始数据，并将数据存储在数据库中：

defsaveItem(dbName,moveId,id,originalData):conn=sqlite3.connect(dbName)conn.text_factory=strcursor=conn.cursor()ins="INSERTORREPLACEINTOcommentsvalues(?,?,?)"v=(id,originalData,moveId)cursor.execute(ins,v)cursor.close()conn.commit()conn.close()

经过大概两个小时，终于从猫眼爬取了大约 9 万条数据。数据库文件已经超过了 100M 了。

数据清洗

因为在上面抓取下来的数据，直接进行了原数据的存储，没有进行数据的解析处理。接口中包含了很多数据，有用户信息、评论信息等。本次分析，只使用了部分数据，所以需要将用到的相关数据清洗出来：

defconvert(dbName):conn=sqlite3.connect(dbName)conn.text_factory=strcursor=conn.cursor()cursor.execute("select*fromcomments")data=cursor.fetchall()foritemindata:commentItem=json.loads(item[1])movieId=item[2]insertItem(dbName,movieId,commentItem)cursor.close()conn.commit()conn.close()definsertItem(dbName,movieId,item):conn=sqlite3.connect(dbName)conn.text_factory=strcursor=conn.cursor()sql='''INSERTORREPLACEINTOconvertDatavalues(?,?,?,?,?,?,?,?,?)'''values=(getValue(item,"id"),movieId,getValue(item,"userId"),getValue(item,"nickName"),getValue(item,"score"),getValue(item,"content"),getValue(item,"cityName"),getValue(item,"vipType"),getValue(item,"startTime"))cursor.execute(sql,values)cursor.close()conn.commit()conn.close()

通过 JSON 库将原始数据解析出来，将我们需要的信息存储到新的数据表中。

数据分析

因为没有任何一个平台能够拿到用户的购票数据，我们只能从评论的数据中，以小见大，从这些数据中，分析出一些走势。 在评论数据中，我们能看到评论用户所在的城市。将数据所在的位置解析，划分到各对应的行政省，可以看到每个省评论数量，见下图（颜色越红，用户评论数量越多）：

城市

从图中可以看到， 上海、广州、四川用户的数量显然要比其他城市的用户数量要多得多。再来看一下代码：

data=pd.read_sql("select*fromconvertData",conn)city=data.groupby(['cityName'])city_com=city['score'].agg(['mean','count'])city_com.reset_index(inplace=True)fo=open("citys.json",'r')citys_info=fo.readlines()citysJson=json.loads(str(citys_info[0]))printcity_comdata_map_all=[(getRealName(city_com['cityName'][i],citysJson),city_com['count']
[i])foriinrange(0,city_com.shape[0])]data_map_list={}foritemindata_map_all:
ifdata_map_list.has_key(item[0]):
value=data_map_list[item[0]]
value+=item[1]
data_map_list[item[0]]=value
else:
data_map_list[item[0]]=item[1]
data_map=[(realKeys(key),data_map_list[key])forkeyindata_map_list.keys()]

漫威电影一直深受中国朋友们喜欢的高分电影。豆瓣评分 8.7 分，那我们的评论用户中，又是一个什么样的趋势呢？见下图：

评分数

从图中可以看到，评 5 分的数量远高于其他评分，可见中国的观众朋友确实喜欢漫威的科幻电影。

复联从 1 开始便是漫威宇宙各路超级英雄的集结，到现在的第 4 部，更是全英雄的汇聚。那么，在这之中，哪位英雄人物更受观众欢迎？先看代码：

attr=["灭霸","美国队长","钢铁侠","浩克","奇异博士","蜘蛛侠","索尔","黑寡妇","鹰眼","惊奇队长","幻视","猩红女巫","蚁人","古一法师"]alias={"灭霸":["灭霸","Thanos"],"美国队长":["美国队长","美队"],"浩克":["浩克","绿巨人","班纳","HULK"],"奇异博士":["奇异博士","医生"],"钢铁侠":["钢铁侠","stark","斯塔克","托尼","史塔克"],"蜘蛛侠":["蜘蛛侠","蜘蛛","彼得","荷兰弟"],"索尔":["索尔","雷神"],"黑寡妇":["黑寡妇","寡姐"],"鹰眼":["鹰眼","克林顿","巴顿","克林特"],"惊奇队长":["惊奇队长","卡罗尔","惊奇"],"星云":["星云"],"猩红女巫":["猩红女巫","绯红女巫","旺达"],"蚁人":["蚁人","蚁侠","Ant","AntMan"],"古一法师":["古一","古一法师","法师"]}v1=[getCommentCount(getAlias(alias,attr[i]))foriinrange(0,len(attr))]bar=Bar("Hiro")bar.add("count",attr,v1,is_stack=True,xaxis_rotate=30,yaxix_min=4.2,xaxis_interval=0,is_splitline_show=True)bar.render("html/hiro_count.html")

运行结果如下图，可以看到钢铁侠钢铁侠是实至名归的 C 位，不仅电影在电影中是，在评论区仍然也是实至名归的 C 位，甚至于远超美队、寡姐和雷神：

英雄评论次数

从以上观众分布和评分的数据可以看到，这一部剧，观众朋友还是非常地喜欢。前面，从猫眼拿到了观众的评论数据。现在，笔者将通过 Jieba 把评论进行分词，然后通过 Wordcloud 制作词云，来看看，观众朋友们对《复联》的整体评价：

词云分析

可以看到，灭霸和钢铁侠出现的词频比其他英雄要高很多。这是否表示，这部剧的主角就是他们两个呢？

细心的朋友应该发现了，钢铁侠、灭霸的数量在词云和评论数量里面不一致。原因在于，评论数量就按评论条数来统计的，而词云中，使用的是词频，同一条评论中，多次出现会多次统计。所以，灭霸出现的次数居然高于了钢铁侠。

最后，再来分析一下钢铁侠与灭霸的情感分析，先上代码：

defemotionParser(name):conn=conn=sqlite3.connect("end.db")conn.text_factory=strcursor=conn.cursor()likeStr="like"%"+name+"%""cursor.execute("selectcontentfromconvertDatawherecontent"+likeStr)values=cursor.fetchall()sentimentslist=[]foriteminvalues:
sentimentslist.append(SnowNLP(item[0].decode("utf-8")).sentiments)plt.hist(sentimentslist,bins=np.arange(0,1,0.01),facecolor="#4F8CD6")
plt.xlabel("SentimentsProbability")
plt.ylabel("Quantity")
plt.title("AnalysisofSentimentsfor"+name)
plt.show()cursor.close()conn.close()

此处，使用 SnowNLP 来进行情感分析。

情感分析，又称为意见挖掘、倾向性分析等。简单而言，是对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程。

灭霸

钢铁侠

从图中看到， 钢铁侠的正向情感要比灭霸的正向情感要高，反派角色就是容易被人抗拒。

最最后，从《银河护卫队》时期穿越而来的灭霸在最后分钟变成了粉末消散而去，这也给我们程序员一个警钟：

“重构代码，改善设计，降低系统复杂度，这样做很好。但是，一定要保证系统的稳定运行，不留安全隐患，不然，早晚会丢掉自己的工作。”