用Python分析《令人心动的offer2》的13万条弹幕，网友们都在吐槽什么？

前言

综艺，是我们劳累了一天的放松方式，也是我们饭后的谈资。看着自己喜欢的综艺，时光足够美。而《令人心动的offer》，就是一个不错的综艺选择。

《令人心动的offer》目前为止已经播出了两季，第一季在豆瓣为8.3分，共有5万余人评分，第二季目前评分低于第一季，评分仅7.1分。

本文通过爬取《令人心动的offer》第二季13万+弹幕，进行可视化分析和情感分析。

数据获取

《令人心动的offer》第二季在腾讯视频独家播出，目前已播出四期（含面试篇），本文采取分集爬取。

弹幕数据爬虫在往期原创文章中已详细讲解，本文不做赘述，感兴趣的朋友可点击：视频弹幕爬虫，看这一篇就够了。

以下以爬取面试篇弹幕为例，并给出完整代码：

#-*- coding = uft-8 -*-
#@Time : 2020/11/30 21:35 
#@Author : 公众号 菜J学Python
#@File : tengxun_danmu.py

import requests
import json
import time
import pandas as pd

target_id = "6130942571%26" #面试篇的target_id
vid = "%3Dt0034o74jpr" #面试篇的vid
df = pd.DataFrame()
for page in range(15, 3214, 30):  #视频时长共3214秒
    headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36'}
    url = 'https://mfm.video.qq.com/danmu?otype=json×tamp={0}&target_id={1}vid{2}&count=80'.format(page,target_id,vid)
    print("正在提取第" + str(page) + "页")
    html = requests.get(url,headers = headers)
    bs = json.loads(html.text,strict = False)  #strict参数解决部分内容json格式解析报错
    time.sleep(1)
    #遍历获取目标字段
    for i in bs['comments']:
        content = i['content']  #弹幕
        upcount = i['upcount']  #点赞数
        user_degree =i['uservip_degree'] #会员等级
        timepoint = i['timepoint']  #发布时间
        comment_id = i['commentid']  #弹幕id
        cache = pd.DataFrame({'弹幕':[content],'会员等级':[user_degree],'发布时间':[timepoint],'弹幕点赞':[upcount],'弹幕id':[comment_id]})
        df = pd.concat([df,cache])
df.to_csv('面试篇.csv',encoding = 'utf-8')

分别爬取完成后，将四个弹幕csv文件放入一个文件夹中。

打开面试篇csv文件，预览如下：

数据清洗

合并弹幕数据

首先，将四个弹幕csv文件进行数据合并，采用concat方法。

import pandas as pd
import numpy as np
df1 = pd.read_csv("/菜J学Python/弹幕/腾讯/令人心动的offer/面试篇.csv")
df1["期数"] = "面试篇"
df2 = pd.read_csv("/菜J学Python/弹幕/腾讯/令人心动的offer/第1期.csv")
df2["期数"] = "第1期"
df3 = pd.read_csv("/菜J学Python/弹幕/腾讯/令人心动的offer/第2期.csv")
df3["期数"] = "第2期"
df4 = pd.read_csv("/菜J学Python/弹幕/腾讯/令人心动的offer/第3期.csv")
df4["期数"] = "第3期"
df = pd.concat([df1,df2,df3,df4])

预览下合并后的数据：

df.sample(10)

合并后数据

查看数据信息

df.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 133627 entries, 0 to 34923
Data columns (total 8 columns):
 #   Column      Non-Null Count   Dtype 
---  ------      --------------   ----- 
 0   Unnamed: 0  133627 non-null  int64 
 1   用户名         49040 non-null   object
 2   内容          133626 non-null  object
 3   会员等级        133627 non-null  int64 
 4   评论时间点       133627 non-null  int64 
 5   评论点赞        133627 non-null  int64 
 6   评论id        133627 non-null  int64 
 7   期数          133627 non-null  object
dtypes: int64(5), object(3)
memory usage: 9.2+ MB

发现数据存在以下几个问题：

1.字段名称可调整（个人洁癖）2.Unnamed字段多余 3.用户名字段有缺失值，可填充 4.内容和评论时间点字段类型需要调整 5.评论id对分析无意义，可删除

重命名字段

df = df.rename(columns={'用户名':'用户昵称','内容':'弹幕内容','评论时间点':'发送时间','评论点赞':'弹幕点赞','期数':'所属期数'})

过滤字段

#选择需要分析的字段
df = df[["用户昵称","弹幕内容","会员等级","发送时间","弹幕点赞","所属期数"]]

缺失值处理

df["用户昵称"] = df["用户昵称"].fillna("无名氏")

发送时间处理

发送时间字段是秒数，需要改成时间，这里自定义一个time_change函数进行处理。

def time_change(seconds):
    m, s = divmod(seconds, 60)
    h, m = divmod(m, 60)
    ss_time = "%d:%02d:%02d" % (h, m, s)
    print(ss_time)
    return ss_time
time_change(seconds=8888)

将time_change函数应用于发送时间字段：

df["发送时间"] = df["发送时间"].apply(time_change)

设置为需要的时间格式：

df['发送时间'] = pd.to_datetime(df['发送时间'])
df['发送时间'] = df['发送时间'].apply(lambda x : x.strftime('%H:%M:%S'))

弹幕内容处理

将object数据类型更改为str：

df["弹幕内容"] = df["弹幕内容"].astype("str")

机械压缩去重：

#定义机械压缩函数
def yasuo(st):
    for i in range(1,int(len(st)/2)+1):
        for j in range(len(st)):
            if st[j:j+i] == st[j+i:j+2*i]:
                k = j + i
                while st[k:k+i] == st[k+i:k+2*i] and k                    k = k + i
                st = st[:j] + st[k:]    
    return st
yasuo(st="菜J学Python真的真的真的很菜很菜")

#调用机械压缩函数
df["弹幕内容"] = df["弹幕内容"].apply(yasuo)

特殊字符过滤：

df['弹幕内容'] = df['弹幕内容'].str.extract(r"([\u4e00-\u9fa5]+)") #提取中文内容
df = df.dropna()  #纯表情弹幕直接删除

清洗后数据预览如下：

数据分析

各期弹幕数量对比

《令人心动的offer》第二季已播出四期（含面试篇）

第1期：规则升级，实习生面临高压考核弹幕数量最多，达到42422个，面试篇：实习生面试遭灵魂拷问弹幕数量最少，仅为17332个。

import pyecharts.options as opts
from pyecharts.charts import *
from pyecharts.globals import ThemeType  

df7 = df["所属期数"].value_counts()
print(df7.index.to_list())
print(df7.to_list())
c = (
    Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK))
    .add_xaxis(df7.index.to_list())
    .add_yaxis("",df7.to_list()) 
    .set_global_opts(title_opts=opts.TitleOpts(title="各期弹幕数量",subtitle="数据来源：腾讯视屏 \t制图：菜J学Python",pos_left = 'left'),
                       xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改横坐标字体大小
                       yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改纵坐标字体大小
                       )
    .set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='top'))
    )
c.render_notebook()

各期弹幕数量

谁是弹幕发射机

用户昵称为想太多de猫几期下来共发射弹幕227个，遥遥领先其他弹幕党，名副其实的弹幕发射机。

df8 = df["用户昵称"].value_counts()[1:11]
df8 = df8.sort_values(ascending=True)
df8 = df8.tail(10)
print(df8.index.to_list())
print(df8.to_list())
c = (
    Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK))
    .add_xaxis(df8.index.to_list())
    .add_yaxis("",df8.to_list()).reversal_axis() #X轴与y轴调换顺序
    .set_global_opts(title_opts=opts.TitleOpts(title="弹幕发送数量TOP10",subtitle="数据来源：腾讯视频 \t制图：菜J学Python",pos_left = 'left'),
                       xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改横坐标字体大小
                       yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改纵坐标字体大小
                       )
    .set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='right'))
    )
c.render_notebook()

随机抽取想太多de猫弹幕信息，发现其对《令人心动的offer》第二季爱的深沉。弹幕内容透露出其观看视频还是相当之认真，几乎每个弹幕都获得了一定的点赞。

df[df["用户昵称"]=="想太多de猫"].sample(10)

弹幕发射机弹幕抽样

会员等级分布

在观看《令人心动的offer》第二季的观众中，高达74.31%的用户和J哥一样不是腾讯视频的会员，占比第二的会员等级3占5.6%，共计7419人，占比第三的会员等级1占5.39%，共计7153人。

df2 = df["会员等级"].astype("str").value_counts()
print(df2)
df2 = df2.sort_values(ascending=False)
regions = df2.index.to_list()
values = df2.to_list()
c = (
        Pie(init_opts=opts.InitOpts(theme=ThemeType.DARK))
        .add("", list(zip(regions,values)))
        .set_global_opts(legend_opts = opts.LegendOpts(is_show = False),title_opts=opts.TitleOpts(title="会员等级分布",subtitle="数据来源：腾讯视频\t制图：菜J学Python",pos_top="0.5%",pos_left = 'left'))
        .set_series_opts(label_opts=opts.LabelOpts(formatter="等级{b}占比:{d}%",font_size=14))
        
    )
c.render_notebook()

会员等级分布

弹幕在讨论些什么

通过对13+弹幕制作词云图，我们发现，弹幕中出现频率较高的词汇有「丁辉、律师、喜欢、加油、徐律、干饭、撒老师」等。

丁辉作为8个实习生里本科学校最差、年龄最大的成员，从一开始就被观众所热议。

徐律作为第1季的带教导师，其雷厉风行又知性温柔的风范，早已赢得广大观众的喜爱。

干饭作为最近非常热门的网络词汇，出现在热播综艺中也不足为奇。而撒老师作为这一季的搞笑担当和凡尔赛担当，也被广大观众所热议。

# 定义分词函数
def get_cut_words(content_series):
    # 读入停用词表
    stop_words = [] 
    with open("/菜J学Python/offer/stop_words.txt", 'r', encoding='utf-8') as f:
        lines = f.readlines()
        for line in lines:
            stop_words.append(line.strip())
    # 添加关键词
    my_words = ['撒老师', '范丞丞','第一季']  
    for i in my_words:
        jieba.add_word(i) 
    # 自定义停用词
    my_stop_words = ['好像', '真的','感觉']   
    stop_words.extend(my_stop_words)               
    # 分词
    word_num = jieba.lcut(content_series.str.cat(sep='。'), cut_all=False)
    # 条件筛选
    word_num_selected = [i for i in word_num if i not in stop_words and len(i)>=2]
    return word_num_selected
# 绘制词云图
text1 = get_cut_words(content_series=df['弹幕内容'])
stylecloud.gen_stylecloud(text=' '.join(text1), max_words=100,
                          collocations=False,
                          font_path='字酷堂清楷体.ttf',
                          icon_name='fas fa-square',
                          size=653,
                          #palette='matplotlib.Inferno_9',
                          output_name='./offer.png')
Image(filename='./offer.png')

整体弹幕词云

大家如何评论8个实习生

我们首先看下8位实习生的照片：

在所有弹幕中，丁辉被观众提及次数远超过另外7个实习生，共计9298次，其次是詹秋怡，被观众提及2455次，刘煜成被观众提及最少，仅有526次。

df8 = df["人物提及"].value_counts()[1:11]
print(df8.index.to_list())
print(df8.to_list())
c = (
    Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK))
    .add_xaxis(df8.index.to_list())
    .add_yaxis("",df8.to_list()) 
    .set_global_opts(title_opts=opts.TitleOpts(title="人物提及次数",subtitle="数据来源：腾讯视频 \t制图：菜J学Python",pos_left = 'left'),
                       xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改横坐标字体大小
                       yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改纵坐标字体大小
                       )
    .set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='top'))
    )
c.render_notebook()

分别绘制8个实习生的弹幕词云图，我们发现，还是有很多观众认可「丁辉」的，「加油、喜欢、看好、支持」等词出现频率较高；

对于性格较为内向的詹秋怡，观众也非常喜欢，从「漂亮、刘亦菲、好看」等高频词可看出，不少人喜欢她是基于颜值；

作为来自顶级学府斯坦福的王骁来说，观众呈现两边倒的局势，有人说「王骁好」，也有人认为他是「凡尔赛」；朱一暄也一样，有人觉得她很「可爱」，也有人「讨厌」她；

瞿泽林则被表扬「情商高、可爱」；李晋晔的「帅气」被观众赞不绝口，甚至有很多人认为他很像第1季的人气实习生何运晨；

人大毕业的王颖飞也被观众夸赞「好看、漂亮」；高分过司考的刘煜成被观众夸赞「专业知识不错」，由于在第3期中被王骁抢话，受了委屈，观众纷纷表示「心疼」。

情感分析

通过运用百度开源NLP对弹幕内容进行情感分值计算，我们发现，《令人心动的offer》第二季整体情感分值高于0.5，观众表现出较高的积极倾向。

会员等级较高的观众越能坚持观看到最后，弹幕点赞量从视频播放开始呈增长趋势，在最后15分钟时骤降。情感分值则表现为视频播放首尾高，中间低。

import paddlehub as hub
#这里使用了百度开源的成熟NLP模型来预测情感倾向
senta = hub.Module(name="senta_bilstm")
texts = df['弹幕内容'].tolist()
input_data = {'text':texts}
res = senta.sentiment_classify(data=input_data)
df['情感分值'] = [x['positive_probs'] for x in res]
#重采样至15分钟
df.index = df['发送时间']
data = df.resample('15min').mean().reset_index()

#给数据表添加调色板
import seaborn as sns
color_map = sns.light_palette('orange', as_cmap=True)  #light_palette调色板
data.style.background_gradient(color_map)

情感分值表

c = (
        Line(init_opts=opts.InitOpts(theme=ThemeType.DARK))
       .add_xaxis(data["发送时间"].to_list())
       .add_yaxis('情感倾向', list(data["情感分值"].round(2)), is_smooth=True,is_connect_nones=True,areastyle_opts=opts.AreaStyleOpts(opacity=0.5))
       .set_global_opts(title_opts=opts.TitleOpts(title="情感倾向",subtitle="数据来源：腾讯视频 \t制图：菜J学Python",pos_left = 'left'))
    )
c.render_notebook()

-END-

往期精彩推荐 --  

-- 1、小伙子不讲武德，马保国...
-- 2、NBA球星数据查询（GUI界面）
-- 3、批量下载bilibili视频



--  留下你的“在看”呗！