用Python實(shí)現(xiàn)網(wǎng)易云音樂的數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗和可視化分析
Python實(shí)現(xiàn)對(duì)網(wǎng)易云音樂的數(shù)據(jù)進(jìn)行一個(gè)數(shù)據(jù)清洗和可視化分析
對(duì)音樂數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗與可視化分析
關(guān)于數(shù)據(jù)的清洗，實(shí)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(píng)論：
包括后臺(tái)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(jìn)行一些清洗：用戶年齡錯(cuò)誤、用戶城市編碼轉(zhuǎn)換等。
關(guān)于數(shù)據(jù)的去重，評(píng)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(dòng)去重；用戶信息部分以用戶ID為數(shù)據(jù)庫索引實(shí)現(xiàn)自動(dòng)去重。
API返回的用戶年齡一般是時(shí)間戳的形式(以毫秒計(jì))、有時(shí)候也會(huì)返回一個(gè)負(fù)值或者一個(gè)大于當(dāng)前時(shí)間的值，暫時(shí)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(gè)字段，本此分析中只保存了city字段。實(shí)際上字段值是一個(gè)城市code碼，具體對(duì)照在這里下載。
利用Python的數(shù)據(jù)處理庫pandas進(jìn)行數(shù)據(jù)處理，利用可視化庫pyecharts進(jìn)行數(shù)據(jù)可視化。
分別查看下面分析結(jié)果。
- 評(píng)論用戶年齡分布
- 評(píng)論關(guān)鍵詞分布
- 評(píng)論時(shí)間數(shù)量分布（年-月）
- 評(píng)論時(shí)間數(shù)量分布（年-月-日）
對(duì)音樂數(shù)據(jù)進(jìn)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(píng)論時(shí)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(píng)論時(shí)間(按天)分布')
line.use_theme('dark')
line.add(
'',
data.index.values,
data.values,
is_fill=True,
)
line.render(r'./評(píng)論時(shí)間(按天)分布.html')
# 評(píng)論時(shí)間(按小時(shí))分布分析
comments_hour = comments['time'].dt.hour
data = comments_hour.id.groupby(comments_hour['time']).count()
line = Line('評(píng)論時(shí)間(按小時(shí))分布')
line.use_theme('dark')
line.add(
'',
data.index.values,
data.values,
is_fill=True,
)
line.render(r'./評(píng)論時(shí)間(按小時(shí))分布.html')
# 評(píng)論時(shí)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(píng)論時(shí)間(按周)分布')
line.use_theme('dark')
line.add(
'',
data.index.values,
data.values,
is_fill=True,
)
line.render(r'./評(píng)論時(shí)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(duì)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(tái)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(píng)論時(shí)間按周分布圖可以看出，評(píng)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(shí)間來聽聽歌、刷刷歌評(píng)，而一旦周末過完，評(píng)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(píng)論時(shí)間按小時(shí)分布圖可以看出，評(píng)論數(shù)在一天當(dāng)中有兩個(gè)小高峰：11點(diǎn)-13點(diǎn)和22點(diǎn)-0點(diǎn)。這可以解釋為用戶在中午午飯時(shí)間和晚上下班(課)在家時(shí)間有更多的時(shí)間來聽歌刷評(píng)論，符合用戶的日常。至于為什么早上沒有出現(xiàn)一個(gè)小高峰，大概是早上大家都在搶時(shí)間上班(學(xué))，沒有多少時(shí)間去刷評(píng)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(gè)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(gè)高峰，猜測(cè)可能是包含了一些異常數(shù)據(jù)，有興趣的化可以做進(jìn)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?yàn)橹虚g數(shù)據(jù)(坑)的缺失，并沒有展現(xiàn)出哪個(gè)省份特別突出的情況。對(duì)別的歌評(píng)(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(duì)某一首歌曲評(píng)論時(shí)間、用戶年齡/地區(qū)分布進(jìn)行的，實(shí)際上抓取到的信息不僅僅在于此，可以做進(jìn)一步分析（比如利用評(píng)論內(nèi)容進(jìn)行文本內(nèi)容分析等），這部分，未來會(huì)進(jìn)一步分析。當(dāng)然也可以根據(jù)自己情況對(duì)不同歌曲進(jìn)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(píng)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(píng)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)注本站的更多內(nèi)容！
版權(quán)聲明：本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請(qǐng)保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請(qǐng)聯(lián)系alex-e#qq.com處理。
關(guān)注官方微信