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。