数据分析练习

说明：爬取了b站8月综合得分前100的视频，做一个数据小练习

1导入模块

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

2导入数据

data = pd.read_csv(r"D:/data_set/data_set/my_data_learing/bilibili_augest_top100.csv",encoding="utf-8")
data.head()

3数据处理

# 数据描述
data.shape

data.dtypes

问题1：将播放量和弹幕量的格式改为浮点型数据，需要去掉单位

data["播放量"] = data['播放量'].str.replace('万','').astype(float)
data["弹幕量"] = data['弹幕量'].str.replace('万','').astype(float)

此时，两个属性的值都是float格式。

问题2：弹幕量属性中，有部分数据的单位不是万，找出这部分数据然后除以10000

data["弹幕量"] = data["弹幕量"].apply(lambda x: x/10000 if x>50 else x)

问题3：修改columns名称

data.rename(columns={"播放量":"播放量（万）","弹幕量":"弹幕量（万）"},inplace=True)

 

4数据可视化

# 查看分组后各分区对应数目
data_class = data.groupby("分区").size()

问题3：各分区数量

fig, axes = plt.subplots(1,1)
data_class.plot(kind='bar')
x = np.arange(data_class.shape[0])
for x,y in zip(x,data_class.values):
    plt.text(x,y+0.05, "{:.0f}".format(y),ha="center")
plt.ylabel("数量")
plt.title('各分区数量')

结论：由此图可以看出排在前三的有生活类、动画类和鬼畜类视频，这个结果很bilibili。

问题4：弹幕量与播放量对比

data_class_playnum = data.groupby('分区')[['播放量','弹幕量']].sum()

fig, axes = plt.subplots(figsize=(10,5),sharey=False)
axes.bar(data_class_playnum.index,data_class_playnum['播放量（万）'])
ax2 = axes.twinx()
ax2.plot(data_class_playnum.index,data_class_playnum['弹幕量（万）'],color='red')
axes.set_title("各分区播放量与弹幕量对比")
axes.set_ylabel("播放量（万）")
ax2.set_ylabel("弹幕量（万）")

结论：生活类视频的播放量和弹幕量都非常高，而动画类和鬼畜类视频的弹幕差不多，知识类和游戏类视频播放量虽然不如前三名，但这两者的弹幕量相较而言比较突出（弹幕播放比）