本篇文章给大家分享的是有关怎么用Python分析44万条数据，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。
有个段子讲“十年文案老司机，不如网易评论区，网易文豪遍地走，评论全部单身狗”，网易云音乐的评论区也一直都是各类文案大神的聚集地。
那么我们普通用户到底如何成为网易云音乐评论里的热评段子手？
让我来分析一下。
获取数据
其实逻辑并不复杂：
爬取歌单列表里的所有歌单url。
进入每篇歌单爬取所有歌曲url，去重。
进入每首歌曲首页爬取热评，汇总。
歌单列表是这样的：
翻页并观察它的url变化，注意下方动图，每次翻页末尾变化35。
采用requests+pyquery来爬取。
在学习过程中有什么不懂得可以加我的python学习交流扣扣qun，784758214群里有不错的学习视频教程、开发工具与电子书籍。与你分享python企业当下人才需求及怎么从零基础学习好python，和学习什么内容def get_list(): list1 = [] for i in range(0,1295,35): url = 'https://music.163.com/discover/playlist/?order=hot&cat=%E5%8D%8E%E8%AF%AD&limit=35&offset='+str(i) print('已成功采集%i页歌单\n' %(i/35+1)) data = [] html = restaurant(url) doc = pq(html) for i in range(1,36): # 一页35个歌单 a = doc('#m-pl-container > li:nth-child(' + str(i) +') > div > a').attr('href') a1 = 'https://music.163.com/api' + a.replace('?','/detail?') data.append(a1) list1.extend(data) time.sleep(5+random.random()) return list1这样我们就可以获得38页每页35篇歌单，共1300+篇歌单。
下面我们需要进入每篇歌单爬取所有歌曲url，并且要注意最后“去重”，不同歌单可能包含同一首歌曲。
点开一篇歌单，注意红色圈出的id。
观察一下，我们要在每篇歌单下方获取的信息也就是红框圈出的这些，利用刚刚爬取到的歌单id和网易云音乐的api（下一篇文章细讲）可以构造出：
不方便看的话我们解析一下json。
def get_playlist(url): data = [] doc = get_json(url) obj=json.loads(doc) jobs=obj['result']['tracks'] for job in jobs: dic = {} dic['name']=jsonpath.jsonpath(job,'$..name')[0] #歌曲名称 dic['id']=jsonpath.jsonpath(job,'$..id')[0] #歌曲ID data.append(dic) return data这样我们就获取了所有歌单下的歌曲，记得去重。
#去重data = data.drop_duplicates(subset=None, keep='first', inplace=True)剩下就是获取每首歌曲的热评了，与前面获取歌曲类似，也是根据api构造，很容易就找到了。
def get_comments(url,k): data = [] doc = get_json(url) obj=json.loads(doc) jobs=obj['hotComments'] for job in jobs: dic = {} dic['content']=jsonpath.jsonpath(job,'$..content')[0] dic['time']= stampToTime(jsonpath.jsonpath(job,'$..time')[0]) dic['userId']=jsonpath.jsonpath(job['user'],'$..userId')[0] #用户ID dic['nickname']=jsonpath.jsonpath(job['user'],'$..nickname')[0]#用户名 dic['likedCount']=jsonpath.jsonpath(job,'$..likedCount')[0] dic['name']= k data.append(dic) return data汇总后就获得了44万条音乐热评数据。
数据分析
清洗填充一下。
def data_cleaning(data): cols = data.columns for col in cols: if data[col].dtype == 'object': data[col].fillna('缺失数据', inplace = True) else: data[col].fillna(0, inplace = True) return(data)按照点赞数排个序。
#排序df1['likedCount'] = df1['likedCount'].astype('int')df_2 = df1.sort_values(by="likedCount",ascending=False)df_2.head()
再看看哪些热评是被复制粘贴搬来搬去的。
#排序df_line = df.groupby(['content']).count().reset_index().sort_values(by="name",ascending=False)df_line.head()
第一个和第三个只是末尾有没有句号的区别，可以归为一类。这样的话，重复次数最多个这句话竟然重复了412次，额~~
看看上热评次数次数最多的是哪位大神？从他的身上我们能学到什么经验？
df_user = df.groupby(['userId']).count().reset_index().sort_values(by="name",ascending=False)df_user.head()按照 user_id 汇总一下，排序。
成功“捕获”一枚“段子手”，上热评次数高达347，我们再看看这位大神究竟都评论些什么？
df_user_max = df.loc[(df['userId'] == 101***770)]df_user_max.head()
这位“失眠的陈先生”看来各种情话娴熟于手啊，下面就以他举例来看看如何成为网易云音乐评论里的热评段子手吧。
数据可视化
先看看这347条评论的赞数分布。
#赞数分布图import matplotlib.pyplot as pltdata = df_user_max['likedCount']#data.to_csv("df_user_max.csv", index_label="index_label",encoding='utf-8-sig')plt.hist(data,100,normed=True,facecolor='g',alpha=0.9)plt.show()
很明显，赞数并不多，大部分都在500赞之内，几百赞却能跻身热评，这也侧面说明了这些歌曲是比较小众的，看来是经常在新歌区广撒网。
我们使用len() 求出每条评论的字符串长度，再画个分布图
评论的字数集中在18—30字之间，这说明在留言时要注意字数，保险的做法是不要太长让人读不下去，也不要太短以免不够经典。
做个词云。
可以看出他的评论风格是以一首歌使他“想起”“感觉”为开头，宾语通常是“喜欢的女孩子”，也经常用”她”来指代。寄托的情感是“后悔”“悲伤”，感慨的终点是“放下”。
以上就是怎么用Python分析44万条数据，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注编程网行业资讯频道。
