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服务器之家的更多内容！
原文链接：https://blog.csdn.net/wudibaba21/article/details/119704339
