发表自话题：沉默的真相解析
作者：J哥
源自：菜J学Python
本文将运用文本挖掘技术，对最近热播剧《沉默的真相》弹幕数据进行深入分析，希望对大家有一定的启发。
本文数据分析思路及步骤如下图所示，阅读本文需要10min，您可在「快学Python」公众号后台回复文本挖掘获取弹幕数据进行测试。
一、数据获取
本文仅提供核心代码：
from xml.dom.minidom import parseimport xml.dom.minidom
def xml_parse(file_name):
DOMTree = xml.dom.minidom.parse(file_name)
collection = DOMTree.documentElement
# 在集合中获取所有entry数据
entrys = collection.getElementsByTagName("entry")
print(entrys)
result = []
for entry in entrys:
content = entry.getElementsByTagName('content')[0]
print(content.childNodes[0].data)
i = content.childNodes[0].data
name = entry.getElementsByTagName('name')[0]
print(name.childNodes[0].data)
j = name.childNodes[0].data
dd = [j,i]
result.append(dd)
print(result)
return result
二、数据清洗
1.导入数据分析库
#数据处理库import numpy as np
import pandas as pd
import glob
import re
import jieba
#可视化库
import stylecloud
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
from pyecharts.charts import *
from pyecharts import options as opts
from pyecharts.globals import ThemeType
from IPython.display import Image
#文本挖掘库
from snownlp import SnowNLP
from gensim import corpora,models
2.合并弹幕数据
《沉默的真相》共12集，分集爬取，共生成12个csv格式的弹幕数据文件，保存在danmu文件夹中。通过glob方法遍历所有文件，读取数据并追加保存到danmu_all文件中。
csv_list = glob.glob('/菜J学Python/danmu/*.csv')print('共发现%s个CSV文件'% len(csv_list))
print('正在处理............')
for i in csv_list:
fr = open(i,'r').read()
with open('danmu_all.csv','a') as f:
f.write(fr)
print('合并完毕！')
3.重复值、缺失值等处理
#error_bad_lines参数可忽略异常行df = pd.read_csv("./danmu_all.csv",header=None,error_bad_lines=False)
df = df.iloc[:,[1,2]] #选择用户名和弹幕内容列
df = df.drop_duplicates() #删除重复行
df = df.dropna() #删除存在缺失值的行
df.columns = ["user","danmu"] #对字段进行命名
df
清洗后数据如下所示：
4.机械压缩去重
机械压缩去重即数据句内的去重，我们发现弹幕内容存在例如"啊啊啊啊啊"这种数据，而实际做情感分析时，只需要一个“啊”即可。
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="啊啊啊啊啊啊啊")
应用以上函数，对弹幕内容进行句内去重。
df["danmu"] = df["danmu"].apply(yasuo)5.特殊字符过滤
另外，我们还发现有些弹幕内容包含表情包、特殊符号等，这些脏数据也会对情感分析产生一定影响。
特殊字符直接通过正则表达式过滤，匹配出中文内容即可。
df = df.dropna() #纯表情直接删除
另外，过短的弹幕内容一般很难看出情感倾向，可以将其一并过滤。 df = df[df["danmu"].apply(len)>=4]
df = df.dropna()
三、数据可视化
数据可视化分析部分代码本公众号往期原创文章已多次提及，本文不做赘述。从可视化图表来看，网友对《沉默的真相》还是相当认可的，尤其对白宇塑造的正义形象江阳，提及频率远高于其他角色。
1.整体弹幕词云
2.主演提及
四、文本挖掘(NLP)
1.情感分析
情感分析是对带有感情色彩的主观性文本进行分析、处理、归纳和推理的过程。按照处理文本的类别不同，可分为基于新闻评论的情感分析和基于产品评论的情感分析。其中，前者多用于舆情监控和信息预测，后者可帮助用户了解某一产品在大众心目中的口碑。目前常见的情感极性分析方法主要是两种：基于情感词典的方法和基于机器学习的方法。
本文主要运用Python的第三方库SnowNLP对弹幕内容进行情感分析，使用方法很简单，计算出的情感score表示语义积极的概率，越接近0情感表现越消极，越接近1情感表现越积极。
df.sample(10) #随机筛选10个弹幕样本数据
(1)整体情感倾向
plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置加载的字体名plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
plt.figure(figsize=(12, 6)) #设置画布大小
rate = df['score']
ax = sns.distplot(rate,
hist_kws={'color':'green','label':'直方图'},
kde_kws={'color':'red','label':'密度曲线'},
bins=20) #参数color样式为salmon，bins参数设定数据片段的数量
ax.set_title("弹幕整体情感倾向 绘图：「菜J学Python」公众号")
plt.show
(2)观众对主演的情感倾向
mapping = {'jiangyang':'白宇|江阳', 'yanliang':'廖凡|严良', 'zhangchao':'宁理|张超','lijing':'谭卓|李静', 'wengmeixiang':'李嘉欣|翁美香'}for key, value in mapping.items():
df[key] = df['danmu'].str.contains(value)
average_value = pd.Series({key: df.loc[df[key], 'score'].mean() for key in mapping.keys()})
print(average_value.sort_values())
由各主要角色情感得分均值可知，观众对他们都表现出积极的情感。翁美香和李静的情感得分均值相对高一些，难道是男性观众偏多？江阳的情感倾向相对较低，可能是观众对作为正义化身的他惨遭各种不公而鸣不平吧。
2.主题分析
这里的主题分析主要是将弹幕情感得分划分为两类，分别为积极类(得分在0.8以上)和消极类(得分在0.3以下)，然后再在各类里分别细分出5个主题，有助于挖掘出观众情感产生的原因。
首先，筛选出两大类分别进行分词。
#分词data1 = df['danmu'][df["score"]>=0.8]
data2 = df['danmu'][df["score"]
