[机器学习笔记] 用Python分析 TED演讲数据（更新中）

用Python分析 TED演讲数据

首先准备TED演讲数据集，TED演讲数据集和信息可以从下面的资源获得：

https://www.datafountain.cn/datasets/11

该数据集包含2个文件：

• ted_main.csv
  包含演讲主要信息，包括演讲标题，发言人，演讲内容，观看次数，评论数量，演讲评分等。
• transcripts.csv
  包含演讲链接和官方英文字幕。

1）文件ted_main.csv包含17个字段，2550行，每一行代表的是一个TED演讲，具体信息如下：

序号	字段名	数据类型	字段描述
1	name	Integer	演讲的正式名称（主要发言人+标题
2	title	String	演讲的标题
3	description	Integer	演讲内容
4	main_speaker	String	主要发言人
5	speaker_occupation	Integer	主要发言人的职业
6	num_speaker	Integer	发言人数量
7	duration	String	演讲时长，以秒为单位
8	event	String	演讲所在的TED / TEDx活动
9	film_date	Integer	演讲拍摄时间 (Unix timestamp)
10	published_date	Integer	演讲发布时间 (Unix timestamp)
11	comments	String	评论数量
12	tags	String	String
13	languages	String	收听演讲时可选择的语言数量
14	ratings	String	一个列表，里面包含许多字典，每个字典是不同的演讲评级（如鼓舞人心，引人入胜，令人惊讶等）
15	related_talks	String	一个列表，里面包含许多字典，每个字典是下一个值得观看的演讲推荐
16	url	String	演讲的URL链接
17	views	Integer	观看数量

（2）文件transcripts.csv包含2个字段，2467行，每一行代表的是一个TED演讲，具体信息如下：

序号	字段名	数据类型	字段描述
1	url	String	演讲的URL链接
2	transcript	String	演讲的官方英文字幕

探索方向（持续更新）

可以从以下几个方面来探索TED演讲数据集：

• 什么类型的演讲讨论的热度最高？
• 浏览数量高的演讲，在内容上有什么共性？
• 在TED中最受欢迎的主题是什么？

结构分析

• TE