復仇者聯盟誰才是絕對 C 位?Python分析9萬條資料告訴你答案
作者 | 羅昭成
責編 | 唐小引
《復聯 4》國內上映第十天,程式設計師的江湖裡開始流傳這樣一個故事,即:漫威宇宙,其實就講了一件事情。整個宇宙就好比一個專案組。其中有一群叫作美國隊長、鋼鐵俠、驚奇隊長、浩克、索爾等人在維護這個專案,兢兢業業的維護整個專案。
某一天,出現了一個天才程式設計師,叫滅霸。當他加入到這家公司的時候,他意識到,這個專案已經非常龐大,僅僅是編譯,就要幾個小時。執行起來負重累累。而伺服器資源又非常的有限,老闆又不給預算買新機器,如果一直繼續這麼開發下去,這個專案遲早要出現 P0 事故。於是,他下定決定要把這個專案全面優化,使用用面向物件思想,提取重複程式碼,業務拆分,演算法優化等手段,徹底優化,目標是程式碼量減少 50%。
美國隊長帶領的專案組叫復仇者聯盟,發現了滅霸程式設計師的想法後,阻止並警告滅霸說:不要輕易去改老程式碼!!很容易出 bug 的,程式碼能跑就行!!
—— 以上來自知乎@郭啟軍那麼,作為一個寫程式設計師的電影,我們怎麼不能用資料來分析一下,喜歡漫威宇宙的觀眾對《復聯 4》的評價呢?
01抓取資料
業界朋友們,在電影分析中,使用貓眼的資料比較多。在本文中,筆者也使用了貓眼的介面來獲取資料,方便處理,資料量也比較多。有關介面,大家可以自己去貓眼的網站上看,也可以使用如下地址:
在 Python 中,使用 Request 可以很方便地傳送請求,拿到介面返回的 JSON 資料,來看程式碼:
請求返回的是一個 JSON 資料,拿到我們想要的評論原始資料,並將資料儲存在資料庫中:
經過大概兩個小時,終於從貓眼爬取了大約 9 萬條資料。資料庫檔案已經超過了 100M 了。
02資料清洗
因為在上面抓取下來的資料,直接進行了原資料的儲存,沒有進行資料的解析處理。介面中包含了很多資料,有使用者資訊、評論資訊等。本次分析,只使用了部分資料,所以需要將用到的相關資料清洗出來:
通過 JSON 庫將原始資料解析出來,將我們需要的資訊儲存到新的資料表中。
03資料分析
因為沒有任何一個平臺能夠拿到使用者的購票資料,我們只能從評論的資料中,以小見大,從這些資料中,分析出一些走勢。 在評論資料中,我們能看到評論使用者所在的城市。將資料所在的位置解析,劃分到各對應的行政省,可以看到每個省評論數量,見下圖(顏色越紅,使用者評論數量越多):
城市從圖中可以看到, 上海、廣州、四川使用者的數量顯然要比其他城市的使用者數量要多得多。再來看一下程式碼:
漫威電影一直深受中國朋友們喜歡的高分電影。豆瓣評分 8.7 分,那我們的評論使用者中,又是一個什麼樣的趨勢呢?見下圖:
評分數從圖中可以看到,評 5 分的數量遠高於其他評分,可見中國的觀眾朋友確實喜歡漫威的科幻電影。復聯從 1 開始便是漫威宇宙各路超級英雄的集結,到現在的第 4 部,更是全英雄的匯聚。那麼,在這之中,哪位英雄人物更受觀眾歡迎?先看程式碼:
執行結果如下圖,可以看到鋼鐵俠鋼鐵俠是實至名歸的 C 位,不僅電影在電影中是,在評論區仍然也是實至名歸的 C 位,甚至於遠超美隊、寡姐和雷神:
英雄評論次數從以上觀眾分佈和評分的資料可以看到,這一部劇,觀眾朋友還是非常地喜歡。前面,從貓眼拿到了觀眾的評論資料。現在,筆者將通過 Jieba 把評論進行分詞,然後通過 Wordcloud 製作詞雲,來看看,觀眾朋友們對《復聯》的整體評價:
詞雲分析可以看到,滅霸和鋼鐵俠出現的詞頻比其他英雄要高很多。這是否表示,這部劇的主角就是他們兩個呢?細心的朋友應該發現了,鋼鐵俠、滅霸的數量在詞雲和評論數量裡面不一致。原因在於,評論數量就按評論條數來統計的,而詞雲中,使用的是詞頻,同一條評論中,多次出現會多次統計。所以,滅霸出現的次數居然高於了鋼鐵俠。最後,再來分析一下鋼鐵俠與滅霸的情感分析,先上程式碼:
此處,使用 SnowNLP 來進行情感分析。情感分析,又稱為意見挖掘、傾向性分析等。簡單而言,是對帶有情感色彩的主觀性文字進行分析、處理、歸納和推理的過程。
鋼鐵俠從圖中看到, 鋼鐵俠的正向情感要比滅霸的正向情感要高,反派角色就是容易被人抗拒。
最最後,從《銀河護衛隊》時期穿越而來的滅霸在最後分鐘變成了粉末消散而去,這也給我們程式設計師一個警鐘:
重構程式碼,改善設計,降低系統複雜度,這樣做很好。但是,一定要保證系統的穩定執行,不留安全隱患,不然,早晚會丟掉自己的工作。