一、事件背景 大家好，我是馬哥python說。 演員張天愛於2022.8.25號在網上爆出一段音頻 "慣犯，希望所以女孩擦亮眼睛。" 至今已有2.5億次觀看量，瞬間衝上熱搜。 二、微熱點分析 以下數據來源：微熱點 從輿情分析網站上來看，從熱度指數的變化趨勢來看，"張天愛"的熱度在08月25日22時達 ...
目錄
一、事件背景
大家好，我是馬哥python說。
演員張天愛於2022.8.25號在網上爆出一段音頻 "慣犯，希望所以女孩擦亮眼睛。"
至今已有2.5億次觀看量，瞬間衝上熱搜。
二、微熱點分析
以下數據來源：微熱點
從輿情分析網站上來看，從熱度指數的變化趨勢來看，"張天愛"的熱度在08月25日22時達到了92.56的峰值。
"張天愛"全網熱度：
"張天愛"網路媒體的評價指標：
"張天愛"關鍵詞分析：
"張天愛"地域分析：
二、自開發Python輿情分析
2.1 Python爬蟲
從博文URL地址中找出id。
目標鏈接地址的id參數值就是id：
原文查看
把id帶入到我的Python爬蟲代碼中，下麵展示部分爬蟲代碼。
關鍵邏輯，就是max_id的處理：
原文查看
如果是第一頁，不用傳max_id參數。
如果非第一頁，需要傳max_id參數，它的值來自於上一頁的r.json()['data']['max_id']
首先，向頁面發送請求：
r = requests.get(url, headers=headers) # 發送請求
print(r.status_code) # 查看響應碼
print(r.json()) # 查看響應內容
下麵，是解析數據的處理邏輯：
datas = r.json()['data']['data']
for data in datas:
page_list.append(page)
id_list.append(data['id'])
dr = re.compile(r'<[^>]+>', re.S) # 用正則表達式清洗評論數據
text2 = dr.sub('', data['text'])
text_list.append(text2) # 評論內容
time_list.append(trans_time(v_str=data['created_at'])) # 評論時間
like_count_list.append(data['like_count']) # 評論點贊數
source_list.append(data['source']) # 評論者IP歸屬地
user_name_list.append(data['user']['screen_name']) # 評論者姓名
user_id_list.append(data['user']['id']) # 評論者id
user_gender_list.append(tran_gender(data['user']['gender'])) # 評論者性別
follow_count_list.append(data['user']['follow_count']) # 評論者關註數
followers_count_list.append(data['user']['followers_count']) # 評論者粉絲數
最後，是保存數據的處理邏輯：
df = pd.DataFrame(
{
'id': [weibo_id] * len(time_list),
'評論頁碼': page_list,
'評論id': id_list,
'評論時間': time_list,
'評論點贊數': like_count_list,
'評論者IP歸屬地': source_list,
'評論者姓名': user_name_list,
'評論者id': user_id_list,
'評論者性別': user_gender_list,
'評論者關註數': follow_count_list,
'評論者粉絲數': followers_count_list,
'評論內容': text_list,
}
)
if os.path.exists(v_comment_file): # 如果文件存在，不再設置表頭
header = False
else: # 否則，設置csv文件表頭
header = True
# 保存csv文件
df.to_csv(v_comment_file, mode='a+', index=False, header=header, encoding='utf_8_sig')
print('結果保存成功:{}'.format(v_comment_file))
篇幅有限，請求頭、cookie、迴圈頁碼、數據清洗等其他細節不再贅述。
看下最終數據： 
2.2 可視化大屏
首先，看下最終大屏交互效果：
這個大屏，包含了5個圖表：
- 大標題-Line
- 詞雲圖-Wordcloud
- 條形圖-Bar
- 餅圖-Pie
- 地圖-Map
下麵，依次講解代碼實現。
2.2.1 大標題
由於pyecharts組件沒有專門用作標題的圖表，我決定靈活運用Line組件實現大標題。
line3 = (
Line(init_opts=opts.InitOpts(width="1000px", # 寬度
height="625px", # 高度
bg_color={"type": "pattern", "image": JsCode("img"),
"repeat": "repeat", })) # 設置背景圖片
.add_xaxis([None]) # 插入空數據
.add_yaxis("", [None]) # 插入空數據
.set_global_opts(
title_opts=opts.TitleOpts(title=v_title,
pos_left='center',
title_textstyle_opts=opts.TextStyleOpts(font_size=45,
color='#51c2d5',
align='left'),
pos_top='top'),
yaxis_opts=opts.AxisOpts(is_show=False), # 不顯示y軸
xaxis_opts=opts.AxisOpts(is_show=False)) # 不顯示x軸
)
# 設置背景圖片
line3.add_js_funcs(
"""
var img = new Image(); img.src = '大屏背景.jpg';
"""
)
line3.render('大標題.html')
print('頁面渲染完畢:大標題.html')
這裡最關鍵的邏輯，就是背景圖片的處理。我找了一個張天愛的圖片：
然後用add_js_funcs代碼把此圖片設置為整個大屏的背景圖。
大標題效果：
2.2.2 詞雲圖
首先，把評論數據清洗出來：
cmt_list = df['評論內容'].values.tolist() # 轉換成列表
cmt_list = [str(i) for i in cmt_list] # 數據清洗
cmt_str = ' '.join(cmt_list) # 轉換成字元串
然後，將清洗後的數據，帶入詞雲圖函數，核心代碼：
wc = WordCloud(init_opts=opts.InitOpts(width=chart_width, height=chart_height, theme=theme_config, chart_id='wc1'))
wc.add(series_name="辭彙",
data_pair=data,
word_gap=1,
word_size_range=[5, 30],
mask_image='張天愛背景圖.png',
) # 增加數據
wc.set_global_opts(
title_opts=opts.TitleOpts(pos_left='center',
title="張天愛評論-詞雲圖",
title_textstyle_opts=opts.TextStyleOpts(font_size=20) # 設置標題
),
tooltip_opts=opts.TooltipOpts(is_show=True), # 不顯示工具箱
)
wc.render('張天愛詞雲圖.html') # 生成html文件
print('渲染完成:' + '張天愛詞雲圖.html')
看下效果：
2.2.3 條形圖
針對評論數據的TOP10高頻詞，繪製出條形圖。
核心代碼：
bar = Bar(
init_opts=opts.InitOpts(theme=theme_config, width=chart_width, height=chart_height,
chart_id='bar_cmt')) # 初始化條形圖
bar.add_xaxis(x_data) # 增加x軸數據
bar.add_yaxis("數量", y_data) # 增加y軸數據
bar.reversal_axis() # 設置水平方向
bar.set_series_opts(label_opts=opts.LabelOpts(position="right")) # Label出現位置
bar.set_global_opts(
legend_opts=opts.LegendOpts(pos_left='right'),
title_opts=opts.TitleOpts(title=v_title, pos_left='center'), # 標題
toolbox_opts=opts.ToolboxOpts(is_show=False, ), # 不顯示工具箱
xaxis_opts=opts.AxisOpts(name="數量", axislabel_opts={"rotate": 0}), # x軸名稱
yaxis_opts=opts.AxisOpts(name="關鍵詞",
axislabel_opts=opts.LabelOpts(font_size=9, rotate=0), # y軸名稱
))
bar.render(v_title + ".html") # 生成html文件
print('渲染完成:' + v_title + '.html')
看下效果：
2.2.4 餅圖（玫瑰圖）
首先，針對評論數據，用snownlp庫做情感分析判定。
for comment in v_cmt_list:
tag = ''
sentiments_score = SnowNLP(comment).sentiments
if sentiments_score < 0.4: # 情感分小於0.4判定為消極
tag = '消極'
neg_count += 1
elif 0.4 <= sentiments_score <= 0.6: # 情感分在[0.4,0.6]直接判定為中性
tag = '中性'
mid_count += 1
else: # 情感分大於0.6判定為積極
tag = '積極'
pos_count += 1
score_list.append(sentiments_score) # 得分值
tag_list.append(tag) # 判定結果
df['情感得分'] = score_list
df['分析結果'] = tag_list
然後，將統計數據帶入餅圖函數，部分核心代碼：
# 畫餅圖
pie = (
Pie(init_opts=opts.InitOpts(theme=theme_config, width=chart_width, height=chart_width, chart_id='pie1'))
.add(series_name="情感分佈", # 系列名稱
data_pair=[['正能量', pos_count], # 添加數據
['中性', mid_count],
['負能量', neg_count]],
rosetype="radius", # 是否展示成南丁格爾圖
radius=["30%", "55%"], # 扇區圓心角展現數據的百分比，半徑展現數據的大小
) # 加入數據
.set_global_opts( # 全局設置項
title_opts=opts.TitleOpts(title=v_title, pos_left='center'), # 標題
legend_opts=opts.LegendOpts(pos_left='right', orient='vertical') # 圖例設置項,靠右,豎向排列
)
.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))) # 樣式設置項
pie.render(v_title + '.html') # 生成html文件
print('渲染完成:' + v_title + '.html')
看下效果：
2.2.5 地圖
把評論者的IP歸屬地統計求和，求和後的總數分佈在地圖上。
df['評論者IP歸屬地'] = df['評論者IP歸屬地'].astype(str).str.replace('來自', '') # 數據清洗
loc_grp = df.groupby('評論者IP歸屬地').count()['評論內容']
data_list = list(zip(loc_grp.index.tolist(), loc_grp.values.tolist()))
數據準備好之後，帶入地圖函數，部分核心代碼：
f_map = (
Map(init_opts=opts.InitOpts(width=chart_width,
height=chart_height,
theme=theme_config,
page_title=v_title,
chart_id='map1',
bg_color=None))
.add(series_name="評論數量",
data_pair=v_data_list,
maptype="china", # 地圖類型
is_map_symbol_show=False)
.set_global_opts(
title_opts=opts.TitleOpts(title=v_title,
pos_left="center", ),
legend_opts=opts.LegendOpts( # 設置圖例
is_show=True, pos_top="40px", pos_right="30px"),
visualmap_opts=opts.VisualMapOpts( # 設置視覺映射
is_piecewise=True, range_text=['高', '低'], pieces=[ # 分段顯示
# {"min": 10000, "color": "#751d0d"},
{"min": 121, "max": 150, "color": "#37561a"},
{"min": 91, "max": 120, "color": "#006400"},
{"min": 61, "max": 90, "color": "#4d9116"},
{"min": 31, "max": 60, "color": "#77bb40"},
{"min": 11, "max": 30, "color": "#b8db9b"},
{"min": 0, "max": 10, "color": "#e5edd6"}
]),
)
.set_series_opts(label_opts=opts.LabelOpts(is_show=True, font_size=8, ),
markpoint_opts=opts.MarkPointOpts(
symbol_size=[90, 90], symbol='circle'),
effect_opts=opts.EffectOpts(is_show='True', )
)
)
f_map.render(v_title + '.html')
print('渲染完成:' + v_title + '.html')
看下效果：
三、演示視頻
效果演示：
https://www.zhihu.com/zvideo/1546516025184866304
推薦閱讀：
【Python可視化大屏】全流程揭秘實現可視化數據大屏的背後原理！
