手把手教你用Python分析豆瓣電影——以《我不是藥神》《邪不壓正》為例

《我不是藥神》是由文牧野執(zhí)導(dǎo)，寧浩、徐崢共同監(jiān)制的劇情片，徐崢、周一圍、王傳君、譚卓、章宇、楊新鳴等主演 。影片講述了神油店老板程勇從一個(gè)交不起房租的男性保健品商販程勇，一躍成為印度仿制藥“格列寧”獨(dú)家代理商的故事。

該片于2018年7月5日在中國上映。上映之后獲得一片好評，不少觀眾甚至直呼“中國電影希望”，“《熔爐》、《辯護(hù)人》之類寫實(shí)影片同水準(zhǔn)”，誠然相較于市面上一眾的摳圖貼臉影視作品，《藥神》在影片質(zhì)量上確實(shí)好的多，不過我個(gè)人覺得《藥神》的火爆還有以下幾個(gè)原因：

• 影片題材稀少帶來的新鮮感，像這類”針砭時(shí)弊” 類影視作品，國內(nèi)太少。

• 順應(yīng)潮流，目前《手機(jī)》事件及其帶來的影響和國家層面文化自信的號召以及影視作品水平亟待提高的大環(huán)境下，《藥神》的過審與上映本身也是對該類題材一定程度的鼓勵(lì)。

• 演員靠譜、演技扎實(shí)，這個(gè)沒的說，特別是王傳君的表現(xiàn)，讓人眼前一亮。

本文通過爬取《我不是藥神》和《邪不壓正》豆瓣電影評論，對影片進(jìn)行可視化分析。

截止7月13日：《我不是藥神》豆瓣評分：8.9 分，貓眼：9.7 分，時(shí)光網(wǎng)：8.8 分 。

截止7月13日： 《邪不壓正》 豆瓣評分：7.2 分，貓眼：7.4 分，時(shí)光網(wǎng)：7.3 分 。
豆瓣的評分質(zhì)量相對而言要靠譜點(diǎn)，所以本文數(shù)據(jù)來源也是豆瓣。

0. 需求分析

• 獲取影評數(shù)據(jù)

• 清洗分析存儲數(shù)據(jù)

• 分析展示影評城市來源、情感

• 分時(shí)展示電影評分趨勢

• 當(dāng)然主要是用來熟練pandas和爬蟲及可視化技能

1. 前期準(zhǔn)備

1.1 網(wǎng)頁分析

豆瓣從2017.10月開始全面禁止爬取數(shù)據(jù)，僅僅開放500條數(shù)據(jù)，白天1分鐘最多可以爬取40次，晚上一分鐘可爬取60次數(shù)，超過此次數(shù)則會封禁IP地址

tips發(fā)現(xiàn)

實(shí)際操作發(fā)現(xiàn)，點(diǎn)擊影片評論頁面的后頁時(shí)，url中的一個(gè)參數(shù)start會加20，但是如果直接賦予’start’每次增加10，網(wǎng)頁也是可以存在的！

• 登錄狀態(tài)下，按網(wǎng)頁按鈕點(diǎn)擊后頁，start最多為480，也就是20*25=500條

• 非登錄狀態(tài)下，最多為200條

• 登錄狀態(tài)下，直接修改url的方法可以比官方放出的評論數(shù)量多出了一倍?。?！

1.2 頁面布局分析

本次使用xpath解析，因?yàn)橹暗牟┛桶咐眠^正則，也用過beautifulsoup，這次嘗試不一樣的方法。

如下圖所示，本此數(shù)據(jù)爬取主要獲取的內(nèi)容有：

• 評論用戶ID

• 評論內(nèi)容

• 評分

• 評論日期

• 用戶所在城市

  
  

  

城市信息獲取

評論頁面沒有城市信息，因此需要通過進(jìn)入評論用戶主頁去獲取城市信息元素。

通過分析頁面發(fā)下，用戶ID名稱里隱藏著主頁鏈接！所以我的思路就是request該鏈接，然后提取城市信息。

2. 數(shù)據(jù)獲取-爬蟲

2.1 獲取cookies

因?yàn)槎拱甑呐老x限制，所以需要使用cookies作身份驗(yàn)證，通過chrome獲取cooikes位置如下圖：

2.2 加載cookies與headers

下面的cookie被修改了，諸君需要登錄后自己獲取專屬cookieo(∩_∩)o

headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'}
    cookies = {'cookie': 'bid=GOOb4vXwNcc; douban-fav-remind=1; viewed="27611266_26886337"; ps=y; ue="citpys原創(chuàng)分享@163.com"; " \
                   "push_noty_num=0; push_doumail_num=0; ap=1; loc-last-index-location-id="108288"; ll="108288"; dbcl2="187285881:N/y1wyPpmA8"; ck=4wlL'}
    url = "https://movie.douban.com/subject/" + str(id) + "/comments?start=" + str(page * 10) + "&limit=20&sort=new_score&status=P"
    res = requests.get(url, headers=headers, cookies=cookies)
    res.encoding = "utf-8"
    if (res.status_code == 200):
        print("\n第{}頁短評爬取成功！".format(page + 1))
        print(url)
    else:
        print("\n第{}頁爬取失??！".format(page + 1))

一般刷新頁面后，第一個(gè)請求里包含了cookies。
2.3 延時(shí)反爬蟲

設(shè)置延時(shí)發(fā)出請求，并且延時(shí)的值還保留了2位小數(shù)（自我感覺模擬正常訪問請求會更加逼真…待證實(shí)）。

time.sleep(round(random.uniform(1, 2), 2))

2.4 解析需求數(shù)據(jù)

這里有個(gè)大bug，找了好久！

因?yàn)橛械挠脩綦m然給了評論，但是沒有給評分，所以score和date這兩個(gè)的xpath位置是會變動(dòng)的。

所以需要加判斷，如果發(fā)現(xiàn)score里面解析的是日期，證明該條評論沒有給出評分。

    name = x.xpath('//*[@id="comments"]/div[{}]/div[2]/h3/span[2]/a/text()'.format(i))
    # 下面是個(gè)大bug，如果有的人沒有評分，但是評論了，那么score解析出來是日期，而日期所在位置spen[3]為空
    score = x.xpath('//*[@id="comments"]/div[{}]/div[2]/h3/span[2]/span[2]/@title'.format(i))
    date = x.xpath('//*[@id="comments"]/div[{}]/div[2]/h3/span[2]/span[3]/@title'.format(i))
    m = '\d{4}-\d{2}-\d{2}'
    match = re.compile(m).match(score[0])
    if match is not None:
        date = score
        score = ["null"]
    else:
        pass
    content = x.xpath('//*[@id="comments"]/div[{}]/div[2]/p/span/text()'.format(i))
    id = x.xpath('//*[@id="comments"]/div[{}]/div[2]/h3/span[2]/a/@href'.format(i))
    try:
        city = get_city(id[0], i)  # 調(diào)用評論用戶的ID城市信息獲取
    except IndexError:
        city = " "
    name_list.append(str(name[0]))
    score_list.append(str(score[0]).strip('[]\''))  # bug 有些人評論了文字，但是沒有給出評分
    date_list.append(str(date[0]).strip('[\'').split(' ')[0])
    content_list.append(str(content[0]).strip())
    city_list.append(city)

2.5 獲取電影名稱

從url上只能獲取電影的subject的8位ID數(shù)值，引起需要自行解析網(wǎng)頁獲取ID號對應(yīng)的電影名稱，該功能是后期改進(jìn)添加的，因此為避免現(xiàn)有代碼改動(dòng)多(偷個(gè)懶)，采用了全局變量賦值給movie_name，需要注意全局變量調(diào)用時(shí)，要加global聲明一下。

    pattern = re.compile('<div id="wrapper">.*?<div id="content">.*?<h1>(.*?) 短評</h1>', re.S)
    global movie_name
    movie_name = re.findall(pattern, res.text)[0]  # list類型

3. 數(shù)據(jù)存儲

因?yàn)閿?shù)據(jù)量不是很大，因?yàn)槠胀╟sv存儲足夠，把獲取的數(shù)據(jù)轉(zhuǎn)換為pandas的DF格式，然后存儲到csv文件中。

    infos = {'name': name_list, 'city': city_list, 'content': content_list, 'score': score_list, 'date': date_list}
    data = pd.DataFrame(infos, columns=['name', 'city', 'content', 'score', 'date'])
    data.to_csv(str(ID) + "_comments.csv")

因?yàn)榭紤]到代碼的復(fù)用性，所以main函數(shù)中傳入了兩個(gè)參數(shù)。

    一個(gè)是待分析影片在豆瓣電影中的ID號(這個(gè)可以在鏈接中獲取到，是一個(gè)8位數(shù)。

    一個(gè)是需要爬取的頁碼數(shù)，一般設(shè)置為49，因?yàn)榫W(wǎng)站只開放500條評論。

另外有些電影評論有可能不足500條，所以需要調(diào)整，之前嘗試通過正則匹配分析頁面結(jié)構(gòu)。

4. 數(shù)據(jù)清洗

爬取出來的結(jié)果如下：

4.1 城市信息清洗
從爬取的結(jié)果分析可以發(fā)現(xiàn)，城市信息數(shù)據(jù)有以下問題：
    有城市空缺
    海外城市
    亂寫
    pyecharts尚不支持的城市，目前支持的城市列表可以看到Github相關(guān)鏈接：
   https://github.com/pyecharts/pyecharts/blob/master/pyecharts/datasets/city_coordinates.json

    step1: 過濾篩選中文字

通過正則表達(dá)式篩選中文，通過split函數(shù)提取清理中文，通過sub函數(shù)替換掉各類標(biāo)點(diǎn)符號。

    line = str.strip()
    p2 = re.compile('[^\u4e00-\u9fa5]')  # 中文的編碼范圍是：\u4e00到\u9fa5
    zh = " ".join(p2.split(line)).strip()
    zh = ",".join(zh.split())
    str = re.sub("[A-Za-z0-9!！，%\[\],。]", "", zh)

    step2: 匹配pyecharts支持的城市列表

一開始我不知道該庫有城市列表資料（只找了官網(wǎng)，沒看github）所以使用的方法如下，自己上網(wǎng)找中國城市字典，然后用excel 篩選和列表分割功能快速獲得一個(gè)不包含省份和’市’的城市字典，然后匹配。后來去github上issue了下，發(fā)現(xiàn)有現(xiàn)成的字典文件，一個(gè)json文本，得到的回復(fù)如下(^__^)。

這樣就方便了，直接和這個(gè)列表匹配就完了，不在里面的話，直接list.pop就可以了 但是這樣還有個(gè)問題，就是爬取下來的城市信息中還包含著省份，而pyecharts中是不能帶省份的，所以還需要通過分割，來提取城市，可能存在的情況有：

· 兩個(gè)字：北京
· 三個(gè)字：攀枝花
· 四個(gè)字：山東煙臺
· 五個(gè)字：四川攀枝花
· 六個(gè)字：黑龍江哈爾濱
…

因此我做了簡化處理：

    名稱為2~4的，如果沒匹配到，則提取后2個(gè)字，作為城市名。

    名稱為>4的，如果沒匹配到，則依次嘗試提取后面5、4、3個(gè)字的。

    其余情況，經(jīng)過觀察原始數(shù)據(jù)發(fā)現(xiàn)數(shù)量極其稀少，可以忽略不作處理。

        d = pd.read_csv(csv_file, engine='python', encoding='utf-8')
        for i in d['city'].dropna():       # 過濾掉空的城市
            i = translate(i)  # 只保留中文
            if len(i)>1 and len(i)<5:  # 如果名稱個(gè)數(shù)2~4，先判斷是否在字典里
                if i in fth:
                    citys.append(i)
                else:
                    i = i[-2:]  # 取城市名稱后兩個(gè)，去掉省份
                    if i in fth:
                        citys.append(i)
                    else:
                        continue
            if len(i) > 4:
                if i in fth:   # 如果名稱個(gè)數(shù)>2，先判斷是否在字典里
                    citys.append(i)
                if i[-5:] in fth:
                    citys.append(i[-5:])
                    continue
                if i[-4:] in fth:
                    citys.append(i[-4:])
                    continue
                if i[-3:] in fth:
                    citys.append(i[-3:])
                else:
                    continue
        result = {}
        while '' in citys:
            citys.remove('')  # 去掉字符串中的空值
        print("城市總數(shù)量為：",len(citys))
        for i in set(citys):
            result[i] = citys.count(i)
        return result


但是這樣可能還有漏洞，所以為保證程序一定不出錯(cuò)，又設(shè)計(jì)了如下校驗(yàn)?zāi)K：

思路就是，循環(huán)嘗試，根據(jù)xx.add()函數(shù)的報(bào)錯(cuò)，確定城市名不匹配，然后從list中把錯(cuò)誤城市pop掉，另外注意到豆瓣個(gè)人主頁上的城市信息一般都是是到市，那么縣一級的區(qū)域就不考慮了，這也算是一種簡化處理。

while True:   # 二次篩選，和pyecharts支持的城市庫進(jìn)行匹配，如果報(bào)錯(cuò)則刪除該城市對應(yīng)的統(tǒng)計(jì)
    try:
        attr, val = geo.cast(info)
        geo.add("", attr, val, visual_range=[0, 300], visual_text_color="#fff", is_geo_effect_show=False,
                is_piecewise=True, visual_split_number=6, symbol_size=15, is_visualmap=True)
    except ValueError as e:
        e = str(e)
        e = e.split("No coordinate is specified for ")[1]  # 獲取不支持的城市名稱
        info.pop(e)
    else:
        break
5. 基于snownlp的情感分析
snownlp主要可以進(jìn)行中文分詞（算法是Character-Based Generative Model）、詞性標(biāo)注（原理是TnT、3-gram 隱馬）、情感分析（官網(wǎng)木有介紹原理，但是指明購物類的評論的準(zhǔn)確率較高，其實(shí)是因?yàn)樗恼Z料庫主要是購物方面的，可以自己構(gòu)建相關(guān)領(lǐng)域語料庫，替換原來的，準(zhǔn)確率也挺不錯(cuò)的）、文本分類（原理是樸素貝葉斯）、轉(zhuǎn)換拼音、繁體轉(zhuǎn)簡體、提取文本關(guān)鍵詞（原理是TextRank）、提取摘要（原理是TextRank）、分割句子、文本相似（原理是BM25）。
官網(wǎng)還有更多關(guān)于該庫的介紹，在看本節(jié)之前，建議先看一下官網(wǎng)，里面有最基礎(chǔ)的一些命令的介紹。
官網(wǎng)鏈接：https://pypi.org/project/snownlp/
由于snownlp全部是unicode編碼，所以要注意數(shù)據(jù)是否為unicode編碼。因?yàn)槭莡nicode編碼，所以不需要去除中文文本里面含有的英文，因?yàn)槎紩晦D(zhuǎn)碼成統(tǒng)一的編碼上面只是調(diào)用snownlp原生語料庫對文本進(jìn)行分析，snownlp重點(diǎn)針對購物評價(jià)領(lǐng)域，所以為了提高情感分析的準(zhǔn)確度可以采取訓(xùn)練語料庫的方法。
attr, val = [], []
info = count_sentiment(csv_file)
info = sorted(info.items(), key=lambda x: x[0], reverse=False)  # dict的排序方法
for each in info[:-1]:
    attr.append(each[0])
    val.append(each[1])
line = Line(csv_file+":影評情感分析")
line.add("", attr, val, is_smooth=True, is_more_utils=True)
line.render(csv_file+"_情感分析曲線圖.html")

6. 數(shù)據(jù)可視化與解讀
6.0 文本讀取

在后面的commit版本中，我最終只傳入了電影的中文名字作為參數(shù)，因此相較于之前的版本，在路徑這一塊兒需要做寫調(diào)整。由于python不支持相對路徑下存在中文，因此需要做如下處理：
    step1 獲取文件絕對路徑
    step2 轉(zhuǎn)換路徑中的\為\\
    step3 如果還報(bào)錯(cuò)，在read_csv中加參數(shù)read_csv(csv_file, engine='python', encoding='utf-8')
    注意： python路徑中，如果最后一個(gè)字符為\會報(bào)錯(cuò)，因此可以采取多段拼接的方法解決。
完整代碼如下：
path = os.path.abspath(os.curdir)
csv_file = path+ "\\" + csv_file +".csv"
csv_file = csv_file.replace('\\', '\\\\')

6.1 評論來源城市分析

調(diào)用pyecharts的page函數(shù)，可以在一個(gè)圖像對象中創(chuàng)建多個(gè)chart，只需要對應(yīng)的add即可。

城市評論分析的思路如下：

    經(jīng)過步驟4的的清洗處理之后，獲得形如[("青島", 9),("武漢", 12)]結(jié)構(gòu)的數(shù)據(jù)。

    通過循環(huán)試錯(cuò)，把不符合條件的城市信息pop掉。


    except ValueError as e:
    e = str(e)
    e = e.split("No coordinate is specified for ")[1]  # 獲取不支持的城市名稱
    info.pop(e)

    遍歷dict，抽取信息賦值給attr和val為畫圖做準(zhǔn)備。

for key in info:
    attr.append(key)
    val.append(info[key])

函數(shù)代碼如下：

    geo1 = Geo("", "評論城市分布", title_pos="center", width=1200, height=600,
            background_color='#404a59', title_color="#fff")
    geo1.add("", attr, val, visual_range=[0, 300], visual_text_color="#fff", is_geo_effect_show=False,
            is_piecewise=True, visual_split_number=10, symbol_size=15, is_visualmap=True, is_more_utils=True)
    #geo1.render(csv_file + "_城市dotmap.html")
    page.add_chart(geo1)
    geo2 = Geo("", "評論來源熱力圖",title_pos="center", width=1200,height=600, background_color='#404a59', title_color="#fff",)
    geo2.add("", attr, val, type="heatmap", is_visualmap=True, visual_range=[0, 50],visual_text_color='#fff', is_more_utils=True)
    #geo2.render(csv_file+"_城市heatmap.html")  # 取CSV文件名的前8位數(shù)
    page.add_chart(geo2)
    bar = Bar("", "評論來源排行", title_pos="center", width=1200, height=600 )
    bar.add("", attr, val, is_visualmap=True, visual_range=[0, 100], visual_text_color='#fff',mark_point=["average"],mark_line=["average"],
            is_more_utils=True, is_label_show=True, is_datazoom_show=True, xaxis_rotate=45)
    #bar.render(csv_file+"_城市評論bar.html")  # 取CSV文件名的前8位數(shù)
    page.add_chart(bar)
    pie = Pie("", "評論來源餅圖", title_pos="right", width=1200, height=600)
    pie.add("", attr, val, radius=[20, 50], label_text_color=None, is_label_show=True, legend_orient='vertical', is_more_utils=True, legend_pos='left')
    #pie.render(csv_file + "_城市評論P(yáng)ie.html")  # 取CSV文件名的前8位數(shù)
    page.add_chart(pie)
    page.render(csv_file + "_城市評論分析匯總.html")

從上圖可以看出，《我不是藥神》的觀影人群中，排名前十的城市依次為 北京、上海、南京、杭州、深圳、廣州、成都、長沙、重慶、西安。

而相對的《邪不壓正》觀影人群，排名前十依次為 北京、上海、廣州、成都、杭州、南京、西安、深圳、長沙、哈爾濱。

電影消費(fèi)是城市消費(fèi)的一部分，某種程度上可以作為觀察一個(gè)城市活力的指標(biāo)。上述城市大都在近年的GDP排行中居上游，消費(fèi)力強(qiáng)勁。

但是我們不能忽略城市人口基數(shù)和熒幕數(shù)量的因素。一線大城市的熒幕數(shù)量總額是超過其他二三線城市的，大城市人口基數(shù)龐大，極多的熒幕數(shù)量和座位、極高密度的排片場次，讓諸多人便捷觀影，這樣一來票房自然就比其他城市高出不少，活躍的觀眾評論也多。
6.2 評論情感分析

0.5以下為負(fù)面情緒，0.5以上為正面情緒，因?yàn)殡娪昂迷u太多，為了圖形的合理性（讓低數(shù)值的統(tǒng)計(jì)量也能在圖中較明顯的展示），把評論接近1的去掉了。當(dāng)然按理說情緒正面性到1的應(yīng)該很少，出現(xiàn)這種結(jié)果的原因我覺得是語料庫的鍋。

6.3 電影評分走勢分析

思路如下：

    讀取csv文件，以dataframe(df)形式保存

    遍歷df行，保存到list

    統(tǒng)計(jì)相同日期相同評分的個(gè)數(shù)，例如dict類型 ('很差', '2018-04-28'): 55

    轉(zhuǎn)換為df格式，設(shè)置列名

    info_new.columns = ['score', 'date', 'votes']

    按日期排序，

    info_new.sort_values('date', inplace=True)

    遍歷新的df，每個(gè)日期的評分分為5種，因此需要插入補(bǔ)充缺失數(shù)值。

    補(bǔ)充缺失數(shù)值

創(chuàng)建新df，遍歷匹配各種評分類型，然后插入行。

creat_df = pd.DataFrame(columns = ['score', 'date', 'votes']) # 創(chuàng)建空的dataframe
    for i in list(info_new['date']):
        location = info_new[(info_new.date==i)&(info_new.score=="力薦")].index.tolist()
        if location == []:
            creat_df.loc[mark] = ["力薦", i, 0]
            mark += 1
        location = info_new[(info_new.date==i)&(info_new.score=="推薦")].index.tolist()
        if location == []:
            creat_df.loc[mark] = ["推薦", i, 0]
            mark += 1
        location = info_new[(info_new.date==i)&(info_new.score=="還行")].index.tolist()
        if location == []:
            creat_df.loc[mark] = ["還行", i, 0]
            mark += 1
        location = info_new[(info_new.date==i)&(info_new.score=="較差")].index.tolist()
        if location == []:
            creat_df.loc[mark] = ["較差", i, 0]
            mark += 1
        location = info_new[(info_new.date==i)&(info_new.score=="很差")].index.tolist()
        if location == []:
            creat_df.loc[mark] = ["很差", i, 0]
            mark += 1
    info_new = info_new.append(creat_df.drop_duplicates(), ignore_index=True)

    細(xì)節(jié)

由于遍歷匹配時(shí)，抽取的評分等級和上文代碼中的“力薦”、“推薦”、“還行”、“較差”、“很差”次序可能不一致，因此最后會有重復(fù)值出現(xiàn)，所以在拼接兩個(gè)df時(shí)，需要duplicates()去重。

info_new = info_new.append(creat_df.drop_duplicates(), ignore_index=True)

之后就可以遍歷df取數(shù)畫圖了（第二中遍歷df的方法）。

for index, row in info_new.iterrows():   # 第二種遍歷df的方法
    score_list.append([row['date'], row['votes'], row['score']])

前面還提到了一種遍歷方法。

for indexs in d.index:  # 一種遍歷df行的方法
    d.loc[indexs].values[:])

從上述日評分投票走勢圖可以發(fā)現(xiàn)，在影片上映開始的一周內(nèi)，為評論高峰，尤其是上映3天內(nèi)，這符合常識，但是也可能有偏差，因?yàn)榕老x獲取的數(shù)據(jù)是經(jīng)過豆瓣電影排序的，倘若數(shù)據(jù)量足夠大得出的趨勢可能更接近真實(shí)情況。

另外發(fā)現(xiàn)，影片在上映前也有部分評論，分析可能是影院公映前的小規(guī)模試映，且這些提前批的用戶的評分均值，差不多接近影評上映后的大規(guī)模評論的最終評分 ，從這些細(xì)節(jié)中，我們或許可以猜測，這些能提前觀看影片的，可能是資深影迷或者影視從業(yè)人員，他們的評論有著十分不錯(cuò)的參考價(jià)值。

那么日后在觀看一部尚未搬上大熒幕的影片前，我們是否可以通過分析這些提前批用戶的評價(jià)來決定是否掏腰包去影院避免邂逅爛片呢？

6.4 影評詞云圖

思路如下：

讀取csv文件，以dataframe(df)形式保存

去除評論中非中文文本

選定詞云背景

調(diào)整優(yōu)化停用詞表

《邪不壓正》詞云圖
    臺詞
從詞云圖中可以探究到，評論多次提到“臺詞”，《邪不壓正》的臺詞確實(shí)依舊帶著濃濃的姜文味，例如：
一、治腳嗎？不治。治治吧。不治。治治。《邪不壓正》
二、怎么相信一個(gè)寫日記的人?！缎安粔赫?br /> 三、“我就是為了這醋，包了一頓餃子”?！缎安粔赫?br /> 四、冰川期就要來了，海平面降低了，那幾個(gè)島越來越大，跟澳大利亞連一塊兒了?！缎安粔赫?br /> 五、你總是給自己設(shè)置障礙，因?yàn)槟悴桓??！缎安粔赫?br /> 六、正經(jīng)人誰寫日記啊?！缎安粔赫?br /> 七、都是同一個(gè)師傅教的，破不了招啊?！缎安粔赫?br /> 八、你對我開槍，不怕殺了我，不怕。你不愛我，傻瓜，子彈是假的?！缎安粔赫?br /> 九、外國男人只想亂搞，中國男人都想成大事?！缎安粔赫?br /> 十、老蔣更不可靠，一個(gè)寫日記的人能可靠嗎，正經(jīng)人誰寫日記??？《邪不壓正》
十一、你每犯一次錯(cuò)，就會失去一個(gè)爸爸?！缎安粔赫?br /> 十二、誰把心里話寫日記里啊，日記這玩意本來就不是給外人看，要是給外人看了，就倆字下賤！《邪不壓正》
十三    、咳咳…還等什么呢。——姜文《邪不壓正》
十四、我當(dāng)時(shí)問你在干嘛，你拿著肘子和我說：真香?！缎安粔赫?br /> 十五、“我要報(bào)仇！”“那你去呀！你不敢？”“我等了十五年了，誰說我不敢？”“那你為什么不去，你不敢”“對，我不敢”《邪不壓正》

    喜歡

雖然這部影片評分和姜文之前的優(yōu)秀作品相比顯得寒酸，但是觀眾們依舊對姜導(dǎo)演抱有期望，支持和喜愛，期待他后續(xù)更多的精彩作品；程序剛跑完，詞云里突然出現(xiàn)個(gè)爸爸，讓我卡頓了（PS：難道程序bug了？？？），接著才想起來是影片中的姜文飾演的藍(lán)爸爸，以此稱呼姜導(dǎo)，可見鐵桿粉絲的滿滿愛意~
    一步之遙
同時(shí)可以發(fā)現(xiàn)評論中，姜文的另一部作品《一步之遙》也被提及較多。誠然，《邪不壓正》確實(shí)像是《讓子彈飛》和《一步之遙》的糅合，它有著前者的邪性與瀟灑，又帶有后者的戲謔和浪漫。因而喜歡《一步之遙》的觀眾會愛上本片，反之不待見的觀眾也會給出《一步之遙》的低分。

高頻重點(diǎn)詞匯有：

• 中國

• 題材

• 現(xiàn)實(shí)

• 煽情

• 社會

• 故事

• 好看

• 希望

詞云分析結(jié)果展現(xiàn)出的強(qiáng)烈觀感有一部分原因是《我不是藥神》的意外之喜，寧浩和徐崢兩個(gè)喜劇界的領(lǐng)軍人物合作，很自然的以為會是喜劇路數(shù)，誰能想到是一部嚴(yán)肅的現(xiàn)實(shí)題材呢？

倘若是尚未觀看本片的讀者，僅從情感分析的角度看，我相信也可以下對本片下結(jié)論：值得去影院體驗(yàn)的好電影。正如我在文章開篇所說，《藥神》的誕生，給中國當(dāng)前的影片大環(huán)境帶來了一股清流，讓人對國產(chǎn)電影的未來多了幾分期許。

7. 總結(jié)

• 練習(xí)一下pandas操作和爬蟲。

• 沒有自己構(gòu)建該領(lǐng)域的語料庫，如果構(gòu)建了相關(guān)語料庫，替換默認(rèn)語料庫，情感分析準(zhǔn)確率會高很多。所以語料庫是非常關(guān)鍵的，如果要正式進(jìn)行文本挖掘，建議要構(gòu)建自己的語料庫。

• pyecharts畫圖挺別致的。

附錄一下爬取分析的“邪不壓正”的電影數(shù)據(jù)，因?yàn)閳D形和分析過程相似，所以就不單獨(dú)放圖了，(ps:姜文這次沒有給人帶來太大的驚喜==)

視頻：《邪不壓正》——Python數(shù)據(jù)分析

Github完整代碼：
https://github.com/Ctipsy/DA_projects/tree/master/%E6%88%91%E4%B8%8D%E6%98%AF%E8%8D%AF%E7%A5%9E