Python分析《哈哈哈哈哈》4万弹幕

小灰灰 2023-01-11 13:12 161阅读 0赞

![format_png][]

图片来源：豆瓣

最近由腾讯视频、爱奇艺联合出品综艺《哈哈哈哈哈》(又名五哈)话题不断，节目中由邓超、陈赫、鹿晗组成的兄弟旅行团，开启了一段由东到西穿越中国的真实旅行。作为首个双平台联播的超级网综，给广大观众带来了无限欢乐，妥妥登上了综艺热搜榜第一。

![format_png 1][]

腾讯视频综艺热搜TOP3

本文通过爬取腾讯视频《哈哈哈哈哈》47687条弹幕，进行可视化分析和情感分析。

数据获取

《哈哈哈哈哈》目前已播出10期，本文爬取了第10期上下两篇弹幕。弹幕数据爬虫在往期原创文章中已详细讲解，本文不做赘述，以下给出完整代码：

#-*- coding = uft-8 -*-
    
    import requests
    import json
    import time
    import pandas as pd
    
    df = pd.DataFrame()
    for page in range(15, 3973, 30):
        headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}
        url = 'https://mfm.video.qq.com/danmu?otype=json&timestamp={}&target_id=6384458060%26vid%3Dd0035ka5c02&count=80'.format(page)
        print("正在提取第" + str(page) + "页")
        html = requests.get(url,headers = headers)
        bs = json.loads(html.text,strict = False)  #strict参数解决部分内容json格式解析报错
        time.sleep(1)
        #遍历获取目标字段
        for i in bs['comments']:
            name = i['opername']    #昵称
            content = i['content']  #弹幕
            upcount = i['upcount']  #点赞数
            user_degree =i['uservip_degree'] #会员等级
            timepoint = i['timepoint']  #发布时间
            comment_id = i['commentid']  #弹幕id
            cache = pd.DataFrame({'用户名':[name],'弹幕':[content],'会员等级':[user_degree],
                                  '发布时间':[timepoint],'弹幕点赞':[upcount],'弹幕id':[comment_id]})
            df = pd.concat([df,cache])
    df.to_csv('haha-1.csv',encoding = 'utf-8')
    print(df.shape)

数据处理

**1.数据读取并预览**

首先，将两个弹幕csv文件进行数据合并，采用concat方法。

import pandas as pd
    import numpy as np
    
    df1 = pd.read_csv("/弹幕/腾讯/哈哈哈哈哈/haha-1.csv")
    df1["期数"] = "10期上"
    df2 = pd.read_csv("/弹幕/腾讯/哈哈哈哈哈/haha-2.csv")
    df2["期数"] = "10期下"
    df = pd.concat([df1,df2])
    df.sample(10)

抽样10条弹幕数据，预览效果如下：

![format_png 2][]

**2.查看数据信息**

df.info()

<class 'pandas.core.frame.DataFrame'>
    Int64Index: 47687 entries, 0 to 21820
    Data columns (total 8 columns):
     #   Column      Non-Null Count  Dtype 
    ---  ------      --------------  ----- 
     0   Unnamed: 0  47687 non-null  int64 
     1   用户名         13433 non-null  object
     2   弹幕          47687 non-null  object
     3   会员等级        47687 non-null  int64 
     4   发布时间        47687 non-null  int64 
     5   弹幕点赞        47687 non-null  int64 
     6   弹幕id        47687 non-null  int64 
     7   期数          47687 non-null  object
    dtypes: int64(5), object(3)
    memory usage: 3.3+ MB

发现数据存在以下几个问题：

（1）字段名称可调整

（2）Unnamed、弹幕id字段多余

（3）用户名字段有缺失值，可填充

（4）发布时间字段类型需要调整

**3.数据清洗**

#重命名字段
    df = df.rename(columns={'用户名':'用户昵称','弹幕':'弹幕内容','发布时间':'发送时间','评论点赞':'弹幕点赞','期数':'所属期数'})
    
    #过滤不需要的字段
    df = df[["用户昵称","弹幕内容","会员等级","发送时间","弹幕点赞","所属期数"]]
    
    #缺失值填充
    df["用户昵称"] = df["用户昵称"].fillna("无名氏")

![format_png 3][]

清洗后，数据预览如下：

![format_png 4][]

数据可视化

**1.弹幕在讨论些什么**

通过对4万+弹幕制作词云图，我们发现，弹幕中出现频率较高的词汇有「哈哈哈、鹿晗、晨艺、虞书欣」等。这综艺的初衷，是让观众在看节目的过程中频繁大笑，由弹幕可知，效果还是很明显的。鹿晗在这一期表现亮眼，躺赢刺杀游戏，被很多观众夸赞。

![format_png 5][]

#绘制词云图
    text1 = get_cut_words(content_series=df['弹幕内容'])
    stylecloud.gen_stylecloud(text=' '.join(text1), max_words=200,
                              collocations=False,
                              font_path='simhei.ttf',
                              icon_name='fas fa-video',
                              size=653,
                              #palette='matplotlib.Inferno_9',
                              output_name='./haha.png')
    Image(filename='./haha.png')

**2.弹幕里都提到了谁**

鹿晗被观众提及7329次，王晨艺3222次，张颜齐1632次。鹿晗的吸粉体质为这个综艺带来了较大的流量，而陈赫在最新一期的节目中似乎被一些观众遗忘。

![format_png 6][]

df8 = df["人物提及"].value_counts()[1:11]
    print(df8.index.to_list())
    print(df8.to_list())
    c = (
        Bar(init_opts=opts.InitOpts(theme=ThemeType.WALDEN))
        .add_xaxis(df8.index.to_list())
        .add_yaxis("",df8.to_list()) 
        .set_global_opts(title_opts=opts.TitleOpts(title="人物提及次数",subtitle="数据来源：腾讯视频 \t制图：菜J学Python",pos_left = 'left'),
                           xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改横坐标字体大小
                           yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改纵坐标字体大小
                           )
        .set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='top'))
        )
    c.render_notebook()

我们分别对六位主要提及演员进行词云图绘制，发现他们的人缘是真的好，几乎看不到负面的评价。陈赫的外号还挺多：赫赫、赫哥，不做词云我还不知道呢，看来J哥要补充知识点了。

![format_png 7][]

**3.谁是弹幕发射机**

每天都是小春日和共发射弹幕158条，遥遥领先其他弹幕党，名副其实的弹幕发射机。想太多de猫紧随其后，发射了97条弹幕，如果大家还有印象的话，他（她）还是《令人心动的offer》第2季弹幕发射机。

![format_png 8][]

df8 = df["用户昵称"].value_counts()[1:11]
    df8 = df8.sort_values(ascending=True)
    df8 = df8.tail(10)
    print(df8.index.to_list())
    print(df8.to_list())
    c = (
        Bar(init_opts=opts.InitOpts(theme=ThemeType.WALDEN,width="1100px",height="500px"))
        .add_xaxis(df8.index.to_list())
        .add_yaxis("",df8.to_list()).reversal_axis() #X轴与y轴调换顺序
        .set_global_opts(title_opts=opts.TitleOpts(title="弹幕发送数量TOP10",subtitle="数据来源：腾讯视频 \t制图：菜J学Python",pos_left = 'left'),
                           xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改横坐标字体大小
                           yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改纵坐标字体大小
                         #yaxis_opts=opts.AxisOpts(axislabel_opts={"rotate":40})#更改纵坐标字体大小
                           )
        .set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='right'))
        )
    c.render_notebook()

我们来看看弹幕发射机讨论了些啥，通过弹幕点赞数降序排列，筛选出点赞数最多的10条弹幕，弹幕内容几乎全为**王勉**相关内容，死忠粉无疑了。

df_first = df[df["用户昵称"]=="每天都是小春日和"]
    df_first.sort_values('弹幕点赞',inplace=True,ascending=False)
    df_first[:10]

![format_png 9][]

情感分析

通过运用百度开源NLP对弹幕内容进行情感分值计算，我们发现，《哈哈哈哈哈》第1季情感分值整体高于0.6，观众表现出较高的积极倾向。情感分值变化趋势则表现为视频播放开始和中期高，播放快结束时有所下滑。

![format_png 10][]

import paddlehub as hub
    #这里使用了百度开源的成熟NLP模型来预测情感倾向
    senta = hub.Module(name="senta_bilstm")
    texts = df['弹幕内容'].tolist()
    input_data = {'text':texts}
    res = senta.sentiment_classify(data=input_data)
    df['情感分值'] = [x['positive_probs'] for x in res]
    #重采样至15分钟
    df.index = df['发送时间']
    data = df.resample('15min').mean().reset_index()

import pyecharts.options as opts
    from pyecharts.charts import *
    from pyecharts.globals import ThemeType  
    c = (
            Line(init_opts=opts.InitOpts(theme=ThemeType.WALDEN))
           .add_xaxis(data["发送时间"].to_list())
           .add_yaxis('情感倾向', list(data["情感分值"].round(2)), is_smooth=True,is_connect_nones=True,areastyle_opts=opts.AreaStyleOpts(opacity=0.5))
           #.add_yaxis('弹幕点赞',list(df["弹幕点赞"].round(2)), is_smooth=True,areastyle_opts=opts.AreaStyleOpts(opacity=0.5))
           #.add_yaxis('会员等级',list(df["会员等级"].round(2)), is_smooth=True,areastyle_opts=opts.AreaStyleOpts(opacity=0.5))
           .set_global_opts(title_opts=opts.TitleOpts(title="情感倾向",subtitle="数据来源：腾讯视频 \t制图：菜J学Python",pos_left = 'left'))
        )
    c.render_notebook()

-----------------
    长按识别下方二维码，并关注公众号
    
    1.回复“PY”领取1GB Python数据分析资料
    
    2.回复“BG”领取3GB 名企数据分析报告

[format_png]: /images/20221119/ab8c31467d544ad48baed3de37684f62.png
[format_png 1]: /images/20221119/383b669b24c34273830908008467a9b1.png
[format_png 2]: /images/20221119/1359fc2934104edface031f0cb3a5422.png
[format_png 3]: /images/20221119/c736bd2a0be841a7b94246c13e4a4381.png
[format_png 4]: /images/20221119/d4f520d3a0f24115963dac57f0a760ff.png
[format_png 5]: /images/20221119/baca712f8c1c4750a165ef09be8b5879.png
[format_png 6]: /images/20221119/ad091a1e9dda4aae859e17c762565cb6.png
[format_png 7]: /images/20221119/c0eeb8bd79d24ed1b5006df7f39ee334.png
[format_png 8]: /images/20221119/7836928faef144d4b0b54b448325d335.png
[format_png 9]: /images/20221119/fea22fc81aea4dc3a06b593274a399a6.png
[format_png 10]: /images/20221119/d43276eb00164f7581126f84f36a5295.png