用Python实现网易云音乐的数据进行数据清洗和可视化分析
目录
- Python实现对网易云音乐的数据进行一个数据清洗和可视化分析
- 对音乐数据进行数据清洗与可视化分析
- 对音乐数据进行数据清洗与可视化分析
- 歌词文本分析
- 总结
Python实现对网易云音乐的数据进行一个数据清洗和可视化分析
对音乐数据进行数据清洗与可视化分析
关于数据的清洗,实际上在上一一篇文章关于抓取数据的过程中已经做了一部分,后面我又做了一下用户数据的抓取
歌曲评论:
包括后台返回的空用户信息、重复数据的去重等。除此之外,还要进行一些清洗:用户年龄错误、用户城市编码转换等。
关于数据的去重,评论部分可以以sommentId为数据库索引,利用数据库来自动去重;用户信息部分以用户ID为数据库索引实现自动去重。
API返回的用户年龄一般是时间戳的形式(以毫秒计)、有时候也会返回一个负值或者一个大于当前时间的值,暂时没有找到这两种值代表的含义,故而一律按0来处理。
API返回的用户信息中,城市分为province和city两个字段,本此分析中只保存了city字段。实际上字段值是一个城市code码,具体对照在这里下载。
利用Python的数据处理库pandas进行数据处理,利用可视化库pyecharts进行数据可视化。
分别查看下面分析结果。
- 评论用户年龄分布
- 评论关键词分布
- 评论时间数量分布(年-月)
- 评论时间数量分布(年-月-日)
对音乐数据进行数据清洗与可视化分析
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) # 评论时间(按天)分布分析 comments_day = comments['time'].dt.date data = comments_day.id.groupby(comments_day['time']).count() line = Line('评论时间(按天)分布') line.use_theme('dark') line.add( '', data.index.values, data.values, is_fill=True, ) line.render(r'./评论时间(按天)分布.html') # 评论时间(按小时)分布分析 comments_hour = comments['time'].dt.hour data = comments_hour.id.groupby(comments_hour['time']).count() line = Line('评论时间(按小时)分布') line.use_theme('dark') line.add( '', data.index.values, data.values, is_fill=True, ) line.render(r'./评论时间(按小时)分布.html') # 评论时间(按周)分布分析 comments_week = comments['time'].dt.dayofweek data = comments_week.id.groupby(comments_week['time']).count() line = Line('评论时间(按周)分布') line.use_theme('dark') line.add( '', data.index.values, data.values, is_fill=True, ) line.render(r'./评论时间(按周)分布.html') # 用户年龄分布分析 age = users[users['age']>0] # 清洗掉年龄小于1的数据 age = age.id.groupby(age['age']).count() # 以年龄值对数据分组 Bar = Bar('用户年龄分布') Bar.use_theme('dark') Bar.add( '', age.index.values, age.values, is_fill=True, ) Bar.render(r'./用户年龄分布图.html') # 生成渲染的html文件 # 用户地区分布分析 # 城市code编码转换 def city_group(cityCode): city_map = { '11': '北京', '12': '天津', '31': '上海', '50': '重庆', '5e': '重庆', '81': '香港', '82': '澳门', '13': '河北', '14': '山西', '15': '内蒙古', '21': '辽宁', '22': '吉林', '23': '黑龙江', '32': '江苏', '33': '浙江', '34': '安徽', '35': '福建', '36': '江西', '37': '山东', '41': '河南', '42': '湖北', '43': '湖南', '44': '广东', '45': '广西', '46': '海南', '51': '四川', '52': '贵州', '53': '云南', '54': '西藏', '61': '陕西', '62': '甘肃', '63': '青海', '64': '宁夏', '65': '新疆', '71': '台湾', '10': '其他', } return city_map[cityCode[:2]] city = users['city'].apply(city_group) city = city.id.groupby(city['city']).count() map_ = Map('用户地区分布图') map_.add( '', city.index.values, city.values, maptype='china', is_visualmap=True, visual_text_color='#000', is_label_show=True, ) map_.render(r'./用户地区分布图.html')
可视化结果
评论时间按周分布图可以看出,评论数在一周当中前面较少,后面逐渐增多,这可以解释为往后接近周末,大家有更多时间来听听歌、刷刷歌评,而一旦周末过完,评论量马上下降(周日到周一的下降过渡),大家又回归到工作当中。
评论时间按小时分布图可以看出,评论数在一天当中有两个小高峰:11点-13点和22点-0点。这可以解释为用户在中午午饭时间和晚上下班(课)在家时间有更多的时间来听歌刷评论,符合用户的日常。至于为什么早上没有出现一个小高峰,大概是早上大家都在抢时间上班(学),没有多少时间去刷评论。
https://blog.csdn.net/u011371360
用户年龄分布图可以看出,用户大多集中在14-30岁之间,以20岁左右居多,除去虚假年龄之外,这个年龄分布也符合网易云用户的年龄段。图中可以看出28岁有个高峰,猜测可能是包含了一些异常数据,有兴趣的化可以做进一步分析。
用户地区分布图可以看出,用户涵盖了全国各大省份,因为中间数据(坑)的缺失,并没有展现出哪个省份特别突出的情况。对别的歌评(完全数据)的可视化分析,可以看出明显的地区分布差异。
此次分析只是对某一首歌曲评论时间、用户年龄/地区分布进行的,实际上抓取到的信息不仅仅在于此,可以做进一步分析(比如利用评论内容进行文本内容分析等),这部分,未来会进一步分析。当然也可以根据自己情况对不同歌曲进行分析。
歌词文本分析
情感分析采用Python的文本分析库snownlp,代码如下:
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('评论情感得分') 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('评论情感标签') bar.use_theme('dark') bar.add( '', y_axis = semilabel.values, x_axis = semilabel.index.values, is_fill=True, ) bar.render(r'情感标签分析.html')
结果:
词云生成采用jieba分词库分词,wordcloud生成词云,代码如下:
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()] # 导入停用词 clean_list = [seg for seg in word_list if seg not in stopwords] #去除停用词 clean_text = ''.join(clean_list) # 生成词云 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) # 绘制词云 plt.figure(figsize=(12, 12)) plt.imshow(word_cloud) plt.axis('off') plt.show() if __name__ == '__main__': text = getText() getSemi(text) getWordcloud(text)
总结
本篇文章就到这里了,希望能给你带来帮助,也希望您能够多多关注我们的更多内容!