目錄
- Python實現(xiàn)對網(wǎng)易云音樂的數(shù)據(jù)進行一個數(shù)據(jù)清洗和可視化分析
- 對音樂數(shù)據(jù)進行數(shù)據(jù)清洗與可視化分析
- 對音樂數(shù)據(jù)進行數(shù)據(jù)清洗與可視化分析
- 總結(jié)
Python實現(xiàn)對網(wǎng)易云音樂的數(shù)據(jù)進行一個數(shù)據(jù)清洗和可視化分析
對音樂數(shù)據(jù)進行數(shù)據(jù)清洗與可視化分析
關(guān)于數(shù)據(jù)的清洗，實際上在上一一篇文章關(guān)于抓取數(shù)據(jù)的過程中已經(jīng)做了一部分，后面我又做了一下用戶數(shù)據(jù)的抓取
歌曲評論：
包括后臺返回的空用戶信息、重復(fù)數(shù)據(jù)的去重等。除此之外，還要進行一些清洗：用戶年齡錯誤、用戶城市編碼轉(zhuǎn)換等。
關(guān)于數(shù)據(jù)的去重，評論部分可以以sommentId為數(shù)據(jù)庫索引，利用數(shù)據(jù)庫來自動去重；用戶信息部分以用戶ID為數(shù)據(jù)庫索引實現(xiàn)自動去重。
API返回的用戶年齡一般是時間戳的形式(以毫秒計)、有時候也會返回一個負(fù)值或者一個大于當(dāng)前時間的值，暫時沒有找到這兩種值代表的含義，故而一律按0來處理。
API返回的用戶信息中，城市分為province和city兩個字段，本此分析中只保存了city字段。實際上字段值是一個城市code碼，具體對照在這里下載。
利用Python的數(shù)據(jù)處理庫pandas進行數(shù)據(jù)處理，利用可視化庫pyecharts進行數(shù)據(jù)可視化。
分別查看下面分析結(jié)果。
- 評論用戶年齡分布
- 評論關(guān)鍵詞分布
- 評論時間數(shù)量分布（年-月）
- 評論時間數(shù)量分布（年-月-日）
對音樂數(shù)據(jù)進行數(shù)據(jù)清洗與可視化分析
import pandas as pd
import pymysql
from pyecharts import Bar,Pie,Line,Scatter,Map
TABLE_COMMENTS = '****'
TABLE_USERS = '****'
DATABASE = '****'
conn = pymysql.connect(host='localhost', user='****', passwd='****', db=DATABASE, charset='utf8mb4')
sql_users = 'SELECT id,gender,age,city FROM '+TABLE_USERS
sql_comments = 'SELECT id,time FROM '+TABLE_COMMENTS
comments = pd.read_sql(sql_comments, con=conn)
users = pd.read_sql(sql_users, con=conn)
# 評論時間(按天)分布分析
comments_day = comments['time'].dt.date
data = comments_day.id.groupby(comments_day['time']).count()
line = Line('評論時間(按天)分布')
line.use_theme('dark')
line.add(
'',
data.index.values,
data.values,
is_fill=True,
)
line.render(r'./評論時間(按天)分布.html')
# 評論時間(按小時)分布分析
comments_hour = comments['time'].dt.hour
data = comments_hour.id.groupby(comments_hour['time']).count()
line = Line('評論時間(按小時)分布')
line.use_theme('dark')
line.add(
'',
data.index.values,
data.values,
is_fill=True,
)
line.render(r'./評論時間(按小時)分布.html')
# 評論時間(按周)分布分析
comments_week = comments['time'].dt.dayofweek
data = comments_week.id.groupby(comments_week['time']).count()
line = Line('評論時間(按周)分布')
line.use_theme('dark')
line.add(
'',
data.index.values,
data.values,
is_fill=True,
)
line.render(r'./評論時間(按周)分布.html')
# 用戶年齡分布分析
age = users[users['age']>0] # 清洗掉年齡小于1的數(shù)據(jù)
age = age.id.groupby(age['age']).count() # 以年齡值對數(shù)據(jù)分組
Bar = Bar('用戶年齡分布')
Bar.use_theme('dark')
Bar.add(
'',
age.index.values,
age.values,
is_fill=True,
)
Bar.render(r'./用戶年齡分布圖.html') # 生成渲染的html文件
# 用戶地區(qū)分布分析
# 城市code編碼轉(zhuǎn)換
def city_group(cityCode):
city_map = {
'11': '北京',
'12': '天津',
'31': '上海',
'50': '重慶',
'5e': '重慶',
'81': '香港',
'82': '澳門',
'13': '河北',
'14': '山西',
'15': '內(nèi)蒙古',
'21': '遼寧',
'22': '吉林',
'23': '黑龍江',
'32': '江蘇',
'33': '浙江',
'34': '安徽',
'35': '福建',
'36': '江西',
'37': '山東',
'41': '河南',
'42': '湖北',
'43': '湖南',
'44': '廣東',
'45': '廣西',
'46': '海南',
'51': '四川',
'52': '貴州',
'53': '云南',
'54': '西藏',
'61': '陜西',
'62': '甘肅',
'63': '青海',
'64': '寧夏',
'65': '新疆',
'71': '臺灣',
'10': '其他',
}
return city_map[cityCode[:2]]
city = users['city'].apply(city_group)
city = city.id.groupby(city['city']).count()
map_ = Map('用戶地區(qū)分布圖')
map_.add(
'',
city.index.values,
city.values,
maptype='china',
is_visualmap=True,
visual_text_color='#000',
is_label_show=True,
)
map_.render(r'./用戶地區(qū)分布圖.html')
可視化結(jié)果
評論時間按周分布圖可以看出，評論數(shù)在一周當(dāng)中前面較少，后面逐漸增多，這可以解釋為往后接近周末，大家有更多時間來聽聽歌、刷刷歌評，而一旦周末過完，評論量馬上下降（周日到周一的下降過渡），大家又回歸到工作當(dāng)中。
評論時間按小時分布圖可以看出，評論數(shù)在一天當(dāng)中有兩個小高峰：11點-13點和22點-0點。這可以解釋為用戶在中午午飯時間和晚上下班(課)在家時間有更多的時間來聽歌刷評論，符合用戶的日常。至于為什么早上沒有出現(xiàn)一個小高峰，大概是早上大家都在搶時間上班(學(xué))，沒有多少時間去刷評論。
https://blog.csdn.net/u011371360
用戶年齡分布圖可以看出，用戶大多集中在14-30歲之間，以20歲左右居多，除去虛假年齡之外，這個年齡分布也符合網(wǎng)易云用戶的年齡段。圖中可以看出28歲有個高峰，猜測可能是包含了一些異常數(shù)據(jù)，有興趣的化可以做進一步分析。
用戶地區(qū)分布圖可以看出，用戶涵蓋了全國各大省份，因為中間數(shù)據(jù)(坑)的缺失，并沒有展現(xiàn)出哪個省份特別突出的情況。對別的歌評(完全數(shù)據(jù))的可視化分析，可以看出明顯的地區(qū)分布差異。
此次分析只是對某一首歌曲評論時間、用戶年齡/地區(qū)分布進行的，實際上抓取到的信息不僅僅在于此，可以做進一步分析（比如利用評論內(nèi)容進行文本內(nèi)容分析等），這部分，未來會進一步分析。當(dāng)然也可以根據(jù)自己情況對不同歌曲進行分析。
歌詞文本分析
情感分析采用Python的文本分析庫snownlp，代碼如下：
import numpy as np
import pymysql
from snownlp import SnowNLP
from pyecharts import Bar
TABLE_COMMENTS = '****'
DATABASE = '****'
SONGNAME = '****'
def getText():
conn = pymysql.connect(host='localhost', user='root', passwd='root', db=DATABASE, charset='utf8')
sql = 'SELECT id,content FROM '+TABLE_COMMENTS
text = pd.read_sql(sql%(SONGNAME), con=conn)
return text
def getSemi(text):
text['content'] = text['content'].apply(lambda x:round(SnowNLP(x).sentiments, 2))
semiscore = text.id.groupby(text['content']).count()
bar = Bar('評論情感得分')
bar.use_theme('dark')
bar.add(
'',
y_axis = semiscore.values,
x_axis = semiscore.index.values,
is_fill=True,
)
bar.render(r'情感得分分析.html')
text['content'] = text['content'].apply(lambda x:1 if x>0.5 else -1)
semilabel = text.id.groupby(text['content']).count()
bar = Bar('評論情感標(biāo)簽')
bar.use_theme('dark')
bar.add(
'',
y_axis = semilabel.values,
x_axis = semilabel.index.values,
is_fill=True,
)
bar.render(r'情感標(biāo)簽分析.html')
結(jié)果：
詞云生成采用jieba分詞庫分詞，wordcloud生成詞云，代碼如下：
from wordcloud import WordCloud
import matplotlib.pyplot as plt
plt.style.use('ggplot')
plt.rcParams['axes.unicode_minus'] = False
def getWordcloud(text):
text = ''.join(str(s) for s in text['content'] if s)
word_list = jieba.cut(text, cut_all=False)
stopwords = [line.strip() for line in open(r'./StopWords.txt', 'r').readlines()] # 導(dǎo)入停用詞
clean_list = [seg for seg in word_list if seg not in stopwords] #去除停用詞
clean_text = ''.join(clean_list)
# 生成詞云
cloud = WordCloud(
font_path = r'C:/Windows/Fonts/msyh.ttc',
background_color = 'white',
max_words = 800,
max_font_size = 64
)
word_cloud = cloud.generate(clean_text)
# 繪制詞云
plt.figure(figsize=(12, 12))
plt.imshow(word_cloud)
plt.axis('off')
plt.show()
if __name__ == '__main__':
text = getText()
getSemi(text)
getWordcloud(text)
總結(jié)
本篇文章就到這里了，希望能給你帶來幫助，也希望您能夠多多關(guān)注腳本之家的更多內(nèi)容！
您可能感興趣的文章:- Python爬蟲實戰(zhàn)之網(wǎng)易云音樂加密解析附源碼
