数据解读谁是直男们心中的女神

♚

作者：徐麟，目前就职于上海唯品会产品技术中心，哥大统计数据狗，从事数据挖掘&分析工作，喜欢用R&Python玩一些不一样的数据。

前言

本文图片来自于“懂球帝”APP

笔者作为一位喜爱足球的球迷，“懂球帝”一定会是款必不可少的app，即使是只有16G的空间，也从未将其卸载。然而我们今天聊的与足球无关，而是去聊懂球帝上的“女神大会”专栏，作为一个大型“钢铁直男”聚集地，“懂球帝”上对各位女神的评分，对广大“钢铁直男”群体也具有一定代表性。

数据来源

目前女神大会更新至了第90期，总共出场了90位女神，界面如下：

我们通过fiddler获取该界面中女神的照片地址以及每一篇文章的id编号，用于之后的爬取和可视化，代码如下：

import json
import requests
from bs4 import BeautifulSoup
import pandas as pd
import re
import os
os.chdir('D:/爬虫/女神')

id_list = []
title_list = []
pic_list = []
date_list=[]

for i in range(1,6):
    url= 'http://api.dongqiudi.com/search?keywords=%E5%A5%B3%E7%A5%9E%E5%A4%A7%E4%BC%9A&type=all&page='+str(i) 
    html = requests.get(url=url).content
    news = json.loads(html.decode('utf-8'))['news']
    this_id = [k['id'] for k in news]
    this_pic = [k['thumb'] for k in news]
    this_title = [k['title'] for k in news]
    this_date = [k['pubdate'] for k in news]
    this_title=[BeautifulSoup(k,"html.parser").text for k in this_title]
    id_list = id_list+this_id
    title_list = title_list+this_title
    pic_list = pic_list+this_pic
    date_list = date_list+this_date

另一方面，每位女神的评分都在下一期当中，我们需要爬取文章内容进行获取：

爬取代码如下：

prev_title_list = []
score_list=[]
count_list=[]
for id in id_list:
    url = 'http://www.dongqiudi.com/archive/{k}.html'.format(k=id)    
    header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win32; x32; rv:54.0) Gecko/20100101 Firefox/54.0',
    'Connection': 'keep-alive'}
    cookies ='v=3; iuuid=1A6E888B4A4B29B16FBA1299108DBE9CDCB327A9713C232B36E4DB4FF222CF03; webp=true; ci=1%2C%E5%8C%97%E4%BA%AC; __guid=26581345.3954606544145667000.1530879049181.8303; _lxsdk_cuid=1646f808301c8-0a4e19f5421593-5d4e211f-100200-1646f808302c8; _lxsdk=1A6E888B4A4B29B16FBA1299108DBE9CDCB327A9713C232B36E4DB4FF222CF03; monitor_count=1; _lxsdk_s=16472ee89ec-de2-f91-ed0%7C%7C5; __mta=189118996.1530879050545.1530936763555.1530937843742.18'
    cookie = {}
    for line in cookies.split(';'):
        name, value = cookies.strip().split('=', 1)
        cookie[name] = value    
    html = requests.get(url,cookies=cookie, headers=header).content
    try:
        content = BeautifulSoup(html.decode('utf-8'),"html.parser")
        score = content.find('span',attrs={'style':"color:#ff0000"}).text
        prev_title = content.find('a',attrs={"target": "_self"}).text
        prev_title_list.append(prev_title)
        score_list.append(score)
        sentence = content.text.split('，')
        count=[k for k in sentence if re.search('截至目前',str(k))][0]
        count_list.append(count)
    except:
        continue

整体对比

我们此次利用R语言中的ggimage包，将获取到的女神图片加入到最终的图表中，提高可视化效果，首先看一下整体评分的TOP15名单：

朱茵、林志玲、高圆圆位居榜单前三位，不知道这份榜单是否符合你心目中的女神标准，而这三位也恰好成为了目前出场的90位女星当中香港、台湾、大陆的最高分。值得一提的是，懂球帝小编对于活跃于90年代的香港女星情有独钟，从中选取了非常多的女神，而这些女神的评分也都名列前茅。

下面看一下目前出场的90位女神中，排名相对靠后的几位：

很多朋友会觉得这份榜单对于年轻女神有些苛刻，可能这也代表了广大网友对于各位年轻女神的美好期许，体现了她们未来的无限可能。

区域对比

我们分区域看一下目前各个区域排名前十的名单：

看完了各个区域TOP10的名单之后，我们进行一下区域的对比：

我们将小提琴图与盒形图相结合，进行区域的对比，可以看到大陆女星的评分相对偏低，一方面是由于部分女神的评分较低，拉低了整体的分值，另一方面也是由于目前出场的大陆女星年龄普遍偏小，而这一点也会在下一部分得到证实

年份对比

我们看一下各个年份出生的女星总体评分情况对比，其中“60后”选项也包含了60前的女神，“90后”选项也包含了00后的女神

可以看到60后、70后的女神们平均分数要高于80后，而80后显著高于90后，一方面说明了大家对老牌女神们的认可，另一方面也是体现了大家对新生女神们的无限期许

我们下面将区域与年份综合起来进行对比：

可以看到参与评分的大陆女神普遍比较年轻，这也一定程度解释了此前提到的大陆女神整体评分偏低的原因。而港台女神普遍集中在60、70后，这些女神们活跃的90年代也是香港电影、电视的黄金时期，我们也期待着香港影视未来的复苏

后记

懂球帝目前的女神大会做到了90期，并没有十分完整地囊括广大女神，比如“四旦双冰”就都没有出现，使得这次的数据并不能完全地表述广大“钢铁直男”心中的女神标准，未来随着期数的增加，相信会有更加完善的分析

最后突发奇想，想要看下在一周中不同时间出场的女神评分是否会有区别：

出乎意料的是，一周中最开心的三天周四（即将放假），周五（迎接放假），周六（享受放假）的三天中出场的女神评分反而偏低，或许是由于数据量偏少，未来随着期数的增加，笔者也会密切关注这点。

§ §

Python中文社区作为一个去中心化的全球技术社区，以成为全球20万Python中文开发者的精神部落为愿景，目前覆盖各大主流媒体和协作平台，与阿里、腾讯、百度、微软、亚马逊、开源中国、CSDN等业界知名公司和技术社区建立了广泛的联系，拥有来自十多个国家和地区数万名登记会员，会员来自以公安部、工信部、清华大学、北京大学、北京邮电大学、中国人民银行、中科院、中金、华为、BAT、谷歌、微软等为代表的政府机关、科研单位、金融机构以及海内外知名公司，全平台近20万开发者关注。

扩展阅读

我爬取分析美团网，原来北京上海Top10美食是它们

Python 之父退位后，最高决策权在谁手中？

金州勇士4年3冠的成功秘诀！Python数据可视化分析告诉你答案

用Python分析哪些公司的数据分析岗值得去

投稿邮箱：pythonpost@163.com

▼点击下方阅读原文，免费成为数据科学俱乐部会员