用Python實現(xiàn)網(wǎng)易云音樂的數(shù)據(jù)進行數(shù)據(jù)清洗和可視化分析

更新時間：2021年08月17日 09:58:49 作者：尚歌

這篇文章主要為大家詳細介紹了Python實現(xiàn)Kmeans聚類算法，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下

Python實現(xiàn)對網(wǎng)易云音樂的數(shù)據(jù)進行一個數(shù)據(jù)清洗和可視化分析

對音樂數(shù)據(jù)進行數(shù)據(jù)清洗與可視化分析

關于數(shù)據(jù)的清洗，實際上在上一一篇文章關于抓取數(shù)據(jù)的過程中已經(jīng)做了一部分，后面我又做了一下用戶數(shù)據(jù)的抓取

歌曲評論：

包括后臺返回的空用戶信息、重復數(shù)據(jù)的去重等。除此之外，還要進行一些清洗：用戶年齡錯誤、用戶城市編碼轉換等。

關于數(shù)據(jù)的去重，評論部分可以以sommentId為數(shù)據(jù)庫索引，利用數(shù)據(jù)庫來自動去重；用戶信息部分以用戶ID為數(shù)據(jù)庫索引實現(xiàn)自動去重。

API返回的用戶年齡一般是時間戳的形式(以毫秒計)、有時候也會返回一個負值或者一個大于當前時間的值，暫時沒有找到這兩種值代表的含義，故而一律按0來處理。

API返回的用戶信息中，城市分為province和city兩個字段，本此分析中只保存了city字段。實際上字段值是一個城市code碼，具體對照在這里下載。
利用Python的數(shù)據(jù)處理庫pandas進行數(shù)據(jù)處理，利用可視化庫pyecharts進行數(shù)據(jù)可視化。

分別查看下面分析結果。

評論用戶年齡分布
評論關鍵詞分布
評論時間數(shù)量分布（年-月）
評論時間數(shù)量分布（年-月-日）

對音樂數(shù)據(jù)進行數(shù)據(jù)清洗與可視化分析

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)
# 評論時間(按天)分布分析
comments_day = comments['time'].dt.date
data = comments_day.id.groupby(comments_day['time']).count()
line = Line('評論時間(按天)分布')
line.use_theme('dark')
line.add(
	'',
	data.index.values,
	data.values,
	is_fill=True,
)
line.render(r'./評論時間(按天)分布.html')
# 評論時間(按小時)分布分析
comments_hour = comments['time'].dt.hour
data = comments_hour.id.groupby(comments_hour['time']).count()
line = Line('評論時間(按小時)分布')
line.use_theme('dark')
line.add(
	'',
	data.index.values,
	data.values,
	is_fill=True,
)
line.render(r'./評論時間(按小時)分布.html')
# 評論時間(按周)分布分析
comments_week = comments['time'].dt.dayofweek
data = comments_week.id.groupby(comments_week['time']).count()
line = Line('評論時間(按周)分布')
line.use_theme('dark')
line.add(
	'',
	data.index.values,
	data.values,
	is_fill=True,
)
line.render(r'./評論時間(按周)分布.html')
# 用戶年齡分布分析
age = users[users['age']>0]	# 清洗掉年齡小于1的數(shù)據(jù)
age = age.id.groupby(age['age']).count()	# 以年齡值對數(shù)據(jù)分組
Bar = Bar('用戶年齡分布')
Bar.use_theme('dark')
Bar.add(
	'',
	age.index.values,
	age.values,
	is_fill=True,
)
Bar.render(r'./用戶年齡分布圖.html')	# 生成渲染的html文件
# 用戶地區(qū)分布分析
# 城市code編碼轉換
def city_group(cityCode):
    city_map = {
        '11': '北京',
        '12': '天津',
        '31': '上海',
        '50': '重慶',
        '5e': '重慶',
        '81': '香港',
        '82': '澳門',
        '13': '河北',
        '14': '山西',
        '15': '內(nèi)蒙古',
        '21': '遼寧',
        '22': '吉林',
        '23': '黑龍江',
        '32': '江蘇',
        '33': '浙江',
        '34': '安徽',
        '35': '福建',
        '36': '江西',
        '37': '山東',
        '41': '河南',
        '42': '湖北',
        '43': '湖南',
        '44': '廣東',
        '45': '廣西',
        '46': '海南',
        '51': '四川',
        '52': '貴州',
        '53': '云南',
        '54': '西藏',
        '61': '陜西',
        '62': '甘肅',
        '63': '青海',
        '64': '寧夏',
        '65': '新疆',
        '71': '臺灣',
        '10': '其他',
    }
    return city_map[cityCode[:2]]
city = users['city'].apply(city_group)
city = city.id.groupby(city['city']).count()
map_ = Map('用戶地區(qū)分布圖')
map_.add(
	'',
	city.index.values,
	city.values,
	maptype='china',
	is_visualmap=True,
	visual_text_color='#000',
	is_label_show=True,
)
map_.render(r'./用戶地區(qū)分布圖.html')

可視化結果

評論時間按周分布圖可以看出，評論數(shù)在一周當中前面較少，后面逐漸增多，這可以解釋為往后接近周末，大家有更多時間來聽聽歌、刷刷歌評，而一旦周末過完，評論量馬上下降（周日到周一的下降過渡），大家又回歸到工作當中。

評論時間按小時分布圖可以看出，評論數(shù)在一天當中有兩個小高峰：11點-13點和22點-0點。這可以解釋為用戶在中午午飯時間和晚上下班(課)在家時間有更多的時間來聽歌刷評論，符合用戶的日常。至于為什么早上沒有出現(xiàn)一個小高峰，大概是早上大家都在搶時間上班(學)，沒有多少時間去刷評論。

https://blog.csdn.net/u011371360

用戶年齡分布圖可以看出，用戶大多集中在14-30歲之間，以20歲左右居多，除去虛假年齡之外，這個年齡分布也符合網(wǎng)易云用戶的年齡段。圖中可以看出28歲有個高峰，猜測可能是包含了一些異常數(shù)據(jù)，有興趣的化可以做進一步分析。

用戶地區(qū)分布圖可以看出，用戶涵蓋了全國各大省份，因為中間數(shù)據(jù)(坑)的缺失，并沒有展現(xiàn)出哪個省份特別突出的情況。對別的歌評(完全數(shù)據(jù))的可視化分析，可以看出明顯的地區(qū)分布差異。

此次分析只是對某一首歌曲評論時間、用戶年齡/地區(qū)分布進行的，實際上抓取到的信息不僅僅在于此，可以做進一步分析（比如利用評論內(nèi)容進行文本內(nèi)容分析等），這部分，未來會進一步分析。當然也可以根據(jù)自己情況對不同歌曲進行分析。

歌詞文本分析

情感分析采用Python的文本分析庫snownlp，代碼如下：

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('評論情感得分')
	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('評論情感標簽')
	bar.use_theme('dark')
	bar.add(
		'',
		y_axis = semilabel.values,
		x_axis = semilabel.index.values,
		is_fill=True,
	)
	bar.render(r'情感標簽分析.html')

結果：

詞云生成采用jieba分詞庫分詞，wordcloud生成詞云，代碼如下：

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()]	# 導入停用詞
	clean_list = [seg for seg in word_list if seg not in stopwords] #去除停用詞
	clean_text = ''.join(clean_list)
	# 生成詞云
	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)
	# 繪制詞云
	plt.figure(figsize=(12, 12))
	plt.imshow(word_cloud)
	plt.axis('off')
	plt.show()
if __name__ == '__main__':
	text = getText()
	getSemi(text)
	getWordcloud(text)