文章目录
- 0 数据分析目标
- 1 B站整体视频数据分析
- 1.1 数据预处理
- 1.2 数据可视化
- 1.3 分析结果
- 2 单一视频分析
- 2.1 数据预处理
- 2.2 数据清洗
- 2.3 数据可视化
- 3 文本挖掘（NLP）
- 3.1 情感分析
0 数据分析目标
今天向大家介绍如何使用大数据技术，对B站的视频数据进行分析，得到可视化结果。
项目运行效果：
毕业设计 基于大数据的b站数据分析
项目获取：
https://gitee.com/assistant-a/project-sharing
1 B站整体视频数据分析
分析方向：首先从总体情况进行分析，之后分析综合排名top100的视频类别。
总体情况部分包括：
- 各分区播放量情况。
- 各区三连（硬币、收藏、点赞）情况。
- 弹幕、评论、转发情况。
- 绘制综合词云图，查看关键词汇。
综合排名top100部分包括：
5. top100类别占比。
6. top100播放量情况。
7. 硬币、收藏、点赞平均人数分布。
8. 各分区平均评论、弹幕、转发量情况。
1.1 数据预处理
这里主要是进行查看数据信息、空值、重复值以及数据类型，但由于数据很完整这里不再做过多操作。
对数据进行拆分、聚合，方便之后各项分析，由于“区类别”列中的“全站”是各分类中排名靠前的视频，会出现重复数据，因此对其进行去除。
df.info() df.isnull().count() df.nunique().count() df.dtypes #剔除全区排名 df_nall=df.loc[df['区类别']!='全站'] df_nall['区类别'].value_counts() #按分数进行排序asc df_top100 = df_nall.sort_values(by='分数',ascending=False)[:100] df_type = df_nall.drop(['作者','视频编号','标签名称','视频名称','排名'],axis=1) gp_type = df_type.groupby('区类别').sum().astype('int') type_all = gp_type.index.tolist()1.2 数据可视化
各分区播放情况
play = [round(i/100000000,2) for i in gp_type['播放次数'].tolist()] # bar = (Bar() # .add_xaxis(type_all) # .add_yaxis("", play) # .set_global_opts( # title_opts=opts.TitleOpts(title="各分区播放量情况"), # yaxis_opts=opts.AxisOpts(name="次/亿"), # xaxis_opts=opts.AxisOpts(name="分区",axislabel_opts={"rotate":45}) # ) # ) # bar.render_notebook() pie = ( Pie() .add( "", [list(z) for z in zip(type_all, play)], radius=["40%", "75%"], ) .set_global_opts( title_opts=opts.TitleOpts(title="各分区播放量情况 单位：亿次"), legend_opts=opts.LegendOpts( orient="vertical", pos_top="15%", pos_left="2%" ), ) .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}")) ) pie.render_notebook()播放量排名前三的分别是生活类、动画类、鬼畜类。其中动画类和鬼畜类，这两个是B站的特色。
第三、四位是音乐类和科技类。
各区三连量情况可视化
coin_all = [round(i/1000000,2) for i in gp_type['硬币数'].tolist()] like_all = [round(i/1000000,2) for i in gp_type['点赞数'].tolist()] favourite_all = [round(i/1000000,2) for i in gp_type['喜欢人数'].tolist()] def bar_base() -> Bar: c = ( Bar() .add_xaxis(type_all) .add_yaxis("硬币", coin_all) .add_yaxis("点赞", like_all) .add_yaxis("收藏", favourite_all) .set_global_opts(title_opts=opts.TitleOpts(title="各分区三连情况"), yaxis_opts=opts.AxisOpts(name="次/百万"), xaxis_opts=opts.AxisOpts(name="分区", axislabel_opts={"rotate":45})) ) return c bar_base().render_notebook()虽然生活类投币和点赞数依然是不可撼动的，但是收藏数却排在动画之后，科技类收藏升至第四位。
弹幕、评论、三联情况
danmaku_all = [round(i/100000,2) for i in gp_type['弹幕数'].tolist()] reply_all = [round(i/100000,2) for i in gp_type['评论数'].tolist()] share_all = [round(i/100000,2) for i in gp_type['转发数'].tolist()] line = ( Line() .add_xaxis(type_all) .add_yaxis("弹幕", danmaku_all,label_opts=opts.LabelOpts(is_show=False)) .add_yaxis("评论", reply_all,label_opts=opts.LabelOpts(is_show=False)) .add_yaxis("转发", share_all,label_opts=opts.LabelOpts(is_show=False)) .set_global_opts( title_opts=opts.TitleOpts(title="弹幕、评论、转发情况"), tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"), yaxis_opts=opts.AxisOpts(name="人数 单位：十万"), xaxis_opts=opts.AxisOpts(name="时间(日)",axislabel_opts={"rotate":45}) ) ) line.render_notebook()B站搜索词云图
tag_list=','.join(df_nall['标签名称']).split(',') tags_count=pd.Series(tag_list).value_counts() wordcloud = ( WordCloud() .add("", [list(z) for z in zip(tags_count.index,tags_count)], word_size_range=[10, 100]) .set_global_opts(title_opts=opts.TitleOpts(title="热门标签")) ) wordcloud.render_notebook()硬币、收藏、点赞平均人数分布
gp_triple_quality = df_top100.groupby('区类别')[['硬币数','喜欢人数','点赞数',]].mean().astype('int') gp_index = gp_triple_quality.index.tolist() gp_coin = gp_triple_quality['硬币数'].values.tolist() gp_favorite = gp_triple_quality['喜欢人数'].values.tolist() gp_like = gp_triple_quality['点赞数'].values.tolist() max_num = max(gp_triple_quality.values.reshape(-1)) def radar_base() -> Radar: c = ( Radar() .add_schema( schema=[ opts.RadarIndicatorItem(name=gp_index[0], max_=600000), opts.RadarIndicatorItem(name=gp_index[1], max_=600000), opts.RadarIndicatorItem(name=gp_index[2], max_=600000), opts.RadarIndicatorItem(name=gp_index[3], max_=600000), opts.RadarIndicatorItem(name=gp_index[4], max_=600000), opts.RadarIndicatorItem(name=gp_index[5], max_=600000), opts.RadarIndicatorItem(name=gp_index[6], max_=600000), opts.RadarIndicatorItem(name=gp_index[7], max_=600000), opts.RadarIndicatorItem(name=gp_index[8], max_=600000),] ) .add("硬币数", [gp_coin],color='#40e0d0') .add("喜欢人数", [gp_favorite],color='#1e90ff') .add("点赞数", [gp_like],color='#b8860b') .set_series_opts(label_opts=opts.LabelOpts(is_show=False), linestyle_opts=opts.LineStyleOpts(width=3,type_='dotted'),) .set_global_opts(title_opts=opts.TitleOpts(title="硬币、收藏、点赞平均人数分布")) ) return c radar_base().render_notebook()生活区的平均投币和点赞量依然高于动画区。投币、点赞、收藏最高的分区分别是：生活、影视、时尚。除了时尚区外，其他分区的收藏量均低于投币和点赞，且时尚区的收藏量是远高其点赞和投币量。
1.3 分析结果
从数据可视化中可以看到，播放量排名前三的分别是生活类、动画类、鬼畜类，让人诧异的是以动漫起家的B站，播放量最多的视频分类竟然是生活类节目。
对比总体各分类播放情况，top100各类占比基本保持不变。生活类的平均投币和点赞量依然高于动画类。投币、点赞、收藏最高的分区分别是：生活、影视、时尚。除了时尚区外，其他分区的收藏量均低于投币和点赞，且时尚区的收藏量是远高其点赞和投币量。
2 单一视频分析
2.1 数据预处理
B站爬虫代码Demo
import requests,csv,time import sys from bs4 import BeautifulSoup as BS '''获取网页内容''' def request_get_comment(url): headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)', 'Cookie': 'LIVE_BUVID=AUTO7215383727315695; stardustvideo=1; rpdid=kwxwwoiokwdoskqkmlspw; ' 'fts=1540348439; sid=alz55zmj; CURRENT_FNVAL=16; _uuid=08E6859E-EB68-A6B3-5394-65272461BC6E49706infoc; ' 'im_notify_type_64915445=0; UM_distinctid=1673553ca94c37-0491294d1a7e36-36664c08-144000-1673553ca956ac; ' 'DedeUserID=64915445; DedeUserID__ckMd5=cc0f686b911c9f2d; SESSDATA=7af19f78%2C1545711896%2Cb812f4b1; ' 'bili_jct=dc9a675a0d53e8761351d4fb763922d5; BANGUMI_SS_5852_REC=103088; ' 'buvid3=AE1D37C0-553C-445A-9979-70927B6C493785514infoc; finger=edc6ecda; CURRENT_QUALITY=80; ' 'bp_t_offset_64915445=199482032395569793; _dfcaptcha=44f6fd1eadc58f99515d2981faadba86'} response = requests.get(url=url,headers=headers) soup = BS(response.text.encode(response.encoding).decode('utf8'),'lxml') result = soup.find_all('d') if len(result) == 0: return result all_list = [] for item in result: barrage_list = item.get('p').split(",") barrage_list.append(item.string) barrage_list[4] = time.ctime(eval(barrage_list[4])) all_list.append(barrage_list) return all_list '''将秒转化为固定格式："时：分：秒"''' def sec_to_str(second): second = eval(second) m,s = divmod(second,60) h,m = divmod(m,60) dtEventTime = "%02d:%02d:%02d" % (h,m,s) return dtEventTime '''主函数''' def main(): sys.setrecursionlimit(1000000) url_list = [] cid_list = [16980576,16980597,16548432,16483358,16740879,17031320, 17599975,18226264,17894824,18231028,18491877,18780374] tableheader = ['弹幕出现时间', '弹幕格式', '弹幕字体', '弹幕颜色', '弹幕时间戳', '弹幕池','用户ID','rowID','弹幕信息'] '''最新弹幕文件''' for i in range(12): url = "https://comment.bilibili.com/%d.xml" % cid_list[i] url_list.append(url) file_name = "now{}.csv".format(i + 1) with open(file_name,'w',newline='',errors='ignore') as fd: comment = request_get_comment(url) writer = csv.writer(fd) # writer.writerow(tableheader) if comment: for row in comment: print(row) #writer.writerow(row) del comment '''按照集数，取出弹幕链接，进行爬虫，获取弹幕记录，并保存到csv文件''' for i in range(12): file_name = "d{}.csv".format(i+1) for j in range(1,13): for date in range(2): barrage_url = first_barrage_url.format(cid_list[i],"%02d" % j,"%02d" % (1 + date * 14)) with open(file_name,'a',newline='',errors='ignore') as fd : writer = csv.writer(fd) writer.writerow(tableheader) final_list = request_get_comment(barrage_url) if final_list: for row in final_list: writer.writerow(row) del (final_list) if __name__ == "__main__": main()2.2 数据清洗
导入数据分析库
#数据处理库 import numpy as np import pandas as pd import glob import re import jieba #可视化库 import stylecloud import matplotlib.pyplot as plt import seaborn as sns %matplotlib inline from pyecharts.charts import * from pyecharts import options as opts from pyecharts.globals import ThemeType from IPython.display import Image #文本挖掘库 from snownlp import SnowNLP from gensim import corpora,models
合并弹幕数据
csv_list = glob.glob('/danmu/*.csv') print('共发现%s个CSV文件'% len(csv_list)) print('正在处理............') for i in csv_list: fr = open(i,'r').read() with open('danmu_all.csv','a') as f: f.write(fr) print('合并完毕！')重复值、缺失值等处理
#error_bad_lines参数可忽略异常行 df = pd.read_csv("./danmu_all.csv",header=None,error_bad_lines=False) df = df.iloc[:,[1,2]] #选择用户名和弹幕内容列 df = df.drop_duplicates() #删除重复行 df = df.dropna() #删除存在缺失值的行 df.columns = ["user","danmu"] #对字段进行命名清洗后数据如下所示：
数据去重
机械压缩去重即数据句内的去重，我们发现弹幕内容存在例如"啊啊啊啊啊"这种数据，而实际做情感分析时，只需要一个“啊”即可。
#定义机械压缩去重函数 def yasuo(st): for i in range(1,int(len(st)/2)+1): for j in range(len(st)): if st[j:j+i] == st[j+i:j+2*i]: k = j + i while st[k:k+i] == st[k+i:k+2*i] and k应用以上函数，对弹幕内容进行句内去重。
df["danmu"] = df["danmu"].apply(yasuo)
特殊字符过滤
另外，我们还发现有些弹幕内容包含表情包、特殊符号等，这些脏数据也会对情感分析产生一定影响。
特殊字符直接通过正则表达式过滤，匹配出中文内容即可。
df['danmu'] = df['danmu'].str.extract(r"([\u4e00-\u9fa5]+)") df = df.dropna() #纯表情直接删除
另外，过短的弹幕内容一般很难看出情感倾向，可以将其一并过滤。
df = df[df["danmu"].apply(len)>=4] df = df.dropna()
2.3 数据可视化
数据可视化分析部分代码本公众号往期原创文章已多次提及，本文不做赘述。从可视化图表来看，网友对《沉默的真相》还是相当认可的，尤其对白宇塑造的正义形象江阳，提及频率远高于其他角色。
整体弹幕词云
主演提及
3 文本挖掘（NLP）
3.1 情感分析
情感分析是对带有感情色彩的主观性文本进行分析、处理、归纳和推理的过程。按照处理文本的类别不同，可分为基于新闻评论的情感分析和基于产品评论的情感分析。其中，前者多用于舆情监控和信息预测，后者可帮助用户了解某一产品在大众心目中的口碑。目前常见的情感极性分析方法主要是两种：基于情感词典的方法和基于机器学习的方法。
本文主要运用Python的第三方库SnowNLP对弹幕内容进行情感分析，使用方法很简单，计算出的情感score表示语义积极的概率，越接近0情感表现越消极，越接近1情感表现越积极。
df['score'] = df["danmu"].apply(lambda x:SnowNLP(x).sentiments) df.sample(10) #随机筛选10个弹幕样本数据
整体情感倾向
plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置加载的字体名 plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题 plt.figure(figsize=(12, 6)) #设置画布大小 rate = df['score'] ax = sns.distplot(rate, hist_kws={'color':'green','label':'直方图'}, kde_kws={'color':'red','label':'密度曲线'}, bins=20) #参数color样式为salmon，bins参数设定数据片段的数量 ax.set_title("弹幕整体情感倾向 绘图：「菜J学Python」公众号") plt.show观众对主演的情感倾向
mapping = {'jiangyang':'白宇|江阳', 'yanliang':'廖凡|严良', 'zhangchao':'宁理|张超','lijing':'谭卓|李静', 'wengmeixiang':'李嘉欣|翁美香'} for key, value in mapping.items(): df[key] = df['danmu'].str.contains(value) average_value = pd.Series({key: df.loc[df[key], 'score'].mean() for key in mapping.keys()}) print(average_value.sort_values())由各主要角色情感得分均值可知，观众对他们都表现出积极的情感。翁美香和李静的情感得分均值相对高一些，难道是男性观众偏多？江阳的情感倾向相对较低，可能是观众对作为正义化身的他惨遭各种不公而鸣不平吧。
主题分析
这里的主题分析主要是将弹幕情感得分划分为两类，分别为积极类（得分在0.8以上）和消极类（得分在0.3以下），然后再在各类里分别细分出5个主题，有助于挖掘出观众情感产生的原因。
首先，筛选出两大类分别进行分词。
#分词 data1 = df['danmu'][df["score"]>=0.8] data2 = df['danmu'][df["score"]<0.3] word_cut = lambda x:' '.join(jieba.cut(x)) #以空格隔开 data1 = data1.apply(word_cut) data2 = data2.apply(word_cut) print(data1) print('----------------------') print(data2) 123456789 首先，筛选出两大类分别进行分词。 #去除停用词 stop = pd.read_csv("/菜J学Python/stop_words.txt",encoding='utf-8',header=None,sep='tipdm') stop = [' ',''] + list(stop[0]) #print(stop) pos = pd.DataFrame(data1) neg = pd.DataFrame(data2) pos["danmu_1"] = pos["danmu"].apply(lambda s:s.split(' ')) pos["danmu_pos"] = pos["danmu_1"].apply(lambda x:[i for i in x if i.encode('utf-8') not in stop]) #print(pos["danmu_pos"]) neg["danmu_1"] = neg["danmu"].apply(lambda s:s.split(' ')) neg["danmu_neg"] = neg["danmu_1"].apply(lambda x:[i for i in x if i.encode('utf-8') not in stop])其次，对积极类弹幕进行主题分析。
#正面主题分析 pos_dict = corpora.Dictionary(pos["danmu_pos"]) #建立词典 #print(pos_dict) pos_corpus = [pos_dict.doc2bow(i) for i in pos["danmu_pos"]] #建立语料库 pos_lda = models.LdaModel(pos_corpus,num_topics=5,id2word=pos_dict) #LDA模型训练 print("正面主题分析：") for i in range(5): print('topic',i+1) print(pos_lda.print_topic(i)) #输出每个主题 print('-'*50)结果如下：
最后，对消极类弹幕进行主题分析。
#负面主题分析 neg_dict = corpora.Dictionary(neg["danmu_neg"]) #建立词典 #print(neg_dict) neg_corpus = [neg_dict.doc2bow(i) for i in neg["danmu_neg"]] #建立语料库 neg_lda = models.LdaModel(neg_corpus,num_topics=5,id2word=neg_dict) #LDA模型训练 print("负面面主题分析：") for j in range(5): print('topic',j+1) print(neg_lda.print_topic(j)) #输出每个主题 print('-'*50)结果如下：
项目运行效果：
毕业设计 基于大数据的b站数据分析
项目获取：
https://gitee.com/assistant-a/project-sharing
- 3.1 情感分析