用Python實現網易云音樂的數據進行數據清洗和可視化分析
關于數據的清洗，實際上在上一一篇文章關于抓取數據的過程中已經做了一部分，后面我又做了一下用戶數據的抓取
歌曲評論：
包括后臺返回的空用戶信息、重復數據的去重等。除此之外，還要進行一些清洗：用戶年齡錯誤、用戶城市編碼轉換等。
關于數據的去重，評論部分可以以sommentId為數據庫索引，利用數據庫來自動去重；用戶信息部分以用戶ID為數據庫索引實現自動去重。
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值或者一個大于當前時間的值，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的數據處理庫pandas進行數據處理，利用可視化庫pyecharts進行數據可視化。
分別查看下面分析結果。
評論用戶年齡分布 評論關鍵詞分布 評論時間數量分布（年-月） 評論時間數量分布（年-月-日）對音樂數據進行數據清洗與可視化分析import pandas as pdimport pymysqlfrom pyecharts import Bar,Pie,Line,Scatter,MapTABLE_COMMENTS = ’****’TABLE_USERS = ’****’DATABASE = ’****’conn = pymysql.connect(host=’localhost’, user=’****’, passwd=’****’, db=DATABASE, charset=’utf8mb4’)sql_users = ’SELECT id,gender,age,city FROM ’+TABLE_USERSsql_comments = ’SELECT id,time FROM ’+TABLE_COMMENTScomments = 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.datedata = 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.hourdata = 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.dayofweekdata = 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的數據age = age.id.groupby(age[’age’]).count()# 以年齡值對數據分組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# 用戶地區分布分析# 城市code編碼轉換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’./用戶地區分布圖.html’)
可視化結果
評論時間按周分布圖可以看出，評論數在一周當中前面較少，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中。
評論時間按小時分布圖可以看出，評論數在一天當中有兩個小高峰：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一個小高峰，大概是早上大家都在搶時間上班(學)，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據，有興趣的化可以做進一步分析。
用戶地區分布圖可以看出，用戶涵蓋了全國各大省份，因為中間數據(坑)的缺失，并沒有展現出哪個省份特別突出的情況。對別的歌評(完全數據)的可視化分析，可以看出明顯的地區分布差異。
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（比如利用評論內容進行文本內容分析等），這部分，未來會進一步分析。當然也可以根據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 npimport pymysqlfrom snownlp import SnowNLPfrom pyecharts import BarTABLE_COMMENTS = ’****’DATABASE = ’****’SONGNAME = ’****’def getText():conn = pymysql.connect(host=’localhost’, user=’root’, passwd=’root’, db=DATABASE, charset=’utf8’)sql = ’SELECT id,content FROM ’+TABLE_COMMENTStext = pd.read_sql(sql%(SONGNAME), con=conn)return textdef 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’情感標簽分析.html’)
結果：
詞云生成采用jieba分詞庫分詞，wordcloud生成詞云，代碼如下：
from wordcloud import WordCloudimport matplotlib.pyplot as pltplt.style.use(’ggplot’)plt.rcParams[’axes.unicode_minus’] = Falsedef 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
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注好吧啦網的更多內容！
相關文章：
網公網安備