大家好,我是辰哥~
最近抖音张同学突然火了,两个月涨粉一千多万。
今天这篇文章,我抓取了张同学的视频的评论数据,想从文本分析的角度,挖掘一下大家对张同学感兴趣的点。
张同学 10.4号开始发视频,视频的点赞量一直很高,11.17 号的视频达到了顶峰,收获 250w 个赞,之后关注量也开启了暴涨。
![0fa9a9b1091b6a4f40c21125021b7ba6.png](https://i-blog.csdnimg.cn/blog_migrate/eebb7efe5e35e96ae1fe97340c71d7a0.png)
所以挖掘 11.17 号视频的评论,更有助于我们达成目的。
1. 抓取数据
抖音出了 web 版,抓取数据方便了很多。
![8f8d047121bb41a1e2c020eec4576d27.png](https://i-blog.csdnimg.cn/blog_migrate/3b2be71c0f440b267da33d617448e8b7.png)
滑到网页评论区,在浏览器网络请求里过滤包含comment
的请求,不断刷新评论就可以看到评论的接口。
有了接口,就可以写 Python 程序模拟请求,获取评论数据。
请求数据要设置一定间隔,避免过大请求,影响别人服务
抓取评论数据有两点需要注意:
有时候接口可能返回空数据,因此需要多试几次,一般过了人工滑动验证后的接口基本可用
不同页面之间的数据可能会重复,所以需要跳页请求
2. EDA
11.17 号的视频有 12w 条评论,我只抓取了 1w 多条。
![163d030e5df04be66ec739681687ed5c.png](https://i-blog.csdnimg.cn/blog_migrate/992c1739cfd3d1f981702b2c05bae69d.png)
text
列是评论。
先对数据做一些探索性的分析,之前介绍过几个EDA
工具,可以自动产出基础的数据统计和图表。
这次我用的是ProfileReport
# eda
profile = ProfileReport(df, title='张同学抖音评论数据', explorative=True)
profile
![327935025f73d3c9f5a9fefb5e4c5a66.png](https://i-blog.csdnimg.cn/blog_migrate/36d8b4852486aee0e8667fb46a18960f.png)
从评论的时间分布来看,由于发布的视频的时间是17号,所有17、18号评论发布量比较多。不过再往后甚至到了 12.9 号,仍然有不少新评论产生,说明视频热度确实很高。
![bc2741a4acb1d2b07c3dcd3d9eecf7fc.png](https://i-blog.csdnimg.cn/blog_migrate/cf4a5b6ce983e210a6990504c45672be.png)
大多数评论的字数在 20 以内,基本不超过 40 个字,说明都是短文本。
![39e7d41ba42b4798b8c8eb399b58c74c.png](https://i-blog.csdnimg.cn/blog_migrate/4f705364ee010c913d07568a0b42dc1f.png)
参与评论的人里, 99.8% 是没有认证身份的,说明评论用户里基本都是普通用户。
3. LDA
上面的统计数据还是太粗略了。
但我们要想知道大家的感兴趣点在哪,又不可能细到把 1.2w 条评论全部看完。
所以需要对这些评论先做一次归类,相当于把数据升维,抽象。因为只有将数据升维,了解每个维度的含义和占比,才能帮助我们从全局角度掌握数据。
这里我用LDA
算法对文本聚类,聚合在一起的评论可以看做属于同一个主题。
LDA
算法的核心思想有两点:
具有一定相似性的文本会聚合在一起,形成一个主题。每个主题包含生成该主题需要的
词
,以及这些词的概率分布。以此可以人为
推断出主题的类别。每篇文章会它有在所有
主题
下的概率分布,以此可以推断出文章属于哪个主题。
比如,经过LDA
算法聚类后,某个主题中,战争
、军费
这类词出现概率很高,那么我们可以将该主题归类为军事
。如果有一篇文章属于军事
主题的概率很高,我们就可以将该文章分为军事
一类。
简单介绍完LDA
的理论,下面我们来实战一下。
3.1 分词、去停用词
# 分词
emoji = {'可怜', '发呆', '晕', '灵机一动', '击掌', '送心', '泣不成声', '哈欠', '舔屏', '偷笑', '愉快', '再见', '666', '熊吉', '尬笑', '吐舌', '撇嘴', '看', '绿帽子', '捂脸', '呆无辜', '强壮', '震惊', '阴险', '绝', '给力', '打脸', '咖啡', '衰', '一起加油', '酷拽', '流泪', '黑脸', '爱心', '笑哭', '机智', '困', '微笑袋鼠', '强', '闭嘴', '来看我', '色', '憨笑', '不失礼貌的微笑', '红脸', '抠鼻', '调皮', '紫薇别走', '赞', '比心', '悠闲', '玫瑰', '抱拳', '小鼓掌', '握手', '奸笑', '害羞', '快哭了', '嘘', '惊讶', '猪头', '吐', '暗中观察', '不看', '啤酒', '呲牙', '发怒', '绝望的凝视', '大笑', '吐血', '坏笑', '凝视', '可爱', '拥抱', '擦汗', '鼓掌', '胜利', '感谢', '思考', '微笑', '疑问', '我想静静', '灵光一闪', '白眼', '泪奔', '耶'}
stopwords = [line.strip() for line in open('stop_words.txt', encoding='UTF-8').readlines()]
def fen_ci(x):
res = []
for x in jieba.cut(x):
if x in stopwords or x in emoji or x in ['[', ']']:
continue
res.append(x)
return ' '.join(res)
df['text_wd'] = df['text'].apply(fen_ci)
由于评论中有许多 emoji 表情, 我抽取了所以 emoji 表情对应的文本,生成 emoji
数组,用于过滤表情词。
3.2 调用LDA
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.decomposition import LatentDirichletAllocation
import numpy as np
def run_lda(corpus, k):
cntvec = CountVectorizer(min_df=2, token_pattern='\w+')
cnttf = cntvec.fit_transform(corpus)
lda = LatentDirichletAllocation(n_components=k)
docres = lda.fit_transform(cnttf)
return cntvec, cnttf, docres, lda
cntvec, cnttf, docres, lda = run_lda(df['text_wd'].values, 8)
经过多次试验,将数据分成 8 类效果较好。
选取每个主题下出现概率 top20 的词
:
![311c6726988ef729e028f5be98e15d9a.png](https://i-blog.csdnimg.cn/blog_migrate/b2d790b9304efb5dbce1adf703a6775a.png)
从这些词概率分布,归纳各主题的类别,主题0 ~ 主题7分别是:居然看完
、知道钥匙在哪
、农村生活
、喂狗
、拍摄手法
、还用锁门?
、鸡蛋放盐多
、袜子放枕头下
。
统计主题占比:
![ff64bab0a2608d088fd987f3ce09978f.png](https://i-blog.csdnimg.cn/blog_migrate/6324caeefac3ae36b9737d35016a798d.png)
红色的是主题3
(喂狗
),占比最大,很多人评论是:以为要做给自己吃,没想到是喂狗的。我看的时候也是这样认为的。
其他各主题占比比较均匀。
经过主题分类后,我们可以发现,张同学不仅仅是农村生活引起了大家的关注,更多的是视频中大量反常态的镜头。
最后,用树状图展示各主题及对应的具体评论。
![521f1f22a0a8678b99fb5a04043a24ee.png](https://i-blog.csdnimg.cn/blog_migrate/2f397a9910fbb0ec2dfd92f033dfcedb.png)
图太大,只截取了一部分。
从抓数据到分析,做得比较仓促。
![389a23d18035b33a6593f3f6b5354879.png](https://i-blog.csdnimg.cn/blog_migrate/59cf125ef0ec95a4c80c346d086c444e.png)
需要完整代码请扫码
添加辰哥微信,备注【代码】
文章有疑问的朋友可以在评论区留言。
如果本文对你有用就点个 在看 鼓励一下吧。
最后
![562fd52eef4ccee1fb7a936674efe8c2.png](https://i-blog.csdnimg.cn/blog_migrate/90636b665b2b6504f40ac221e8db0d73.png)
![804f0c7f57dd035dd37b94f9dc979acf.png](https://i-blog.csdnimg.cn/blog_migrate/ab62b2a15368dc88d52911d31832bb16.png)
![27696b1158a87b995337f0a4fefc70fa.png](https://i-blog.csdnimg.cn/blog_migrate/6e91f7aba04e7e90c8fda7552c9d157c.png)
![4285155c39039304dde0ba41c7aa4321.png](https://i-blog.csdnimg.cn/blog_migrate/240165dc4012049bfba2d3f04520d7ab.png)