一、变乱配景
各人好，我是马哥python说。
演员张天爱于2022.8.25号在网上爆出一段音频 "惯犯，盼望以是女孩擦亮眼睛。"
至今已有2.5亿次观看量，刹时冲上热搜。
二、微热门分析
以下数据来源：微热门
从舆情分析网站上来看，从热度指数的变化趋势来看，"张天爱"的热度在08月25日22时到达了92.56的峰值。
"张天爱"全网热度：
"张天爱"网络媒体的评价指标：
"张天爱"关键词分析：
"张天爱"地域分析：
二、自开辟Python舆情分析
2.1 Python爬虫
从博文URL地点中找出id。
目的链接地点的id参数值就是id：
原文查察
把id带入到我的Python爬虫代码中，下面展示部门爬虫代码。
关键逻辑，就是max_id的处理处罚：
原文查察
假如是第一页，不消传max_id参数。
假如非第一页，需要传max_id参数，它的值来自于上一页的r.json()['data']['max_id']
起首，向页面发送哀求：
r = requests.get(url, headers=headers) # 发送哀求print(r.status_code) # 查察相应码print(r.json()) # 查察相应内容下面，是剖析数据的处理处罚逻辑：
datas = r.json()['data']['data']for data in datas: page_list.append(page) id_list.append(data['id']) dr = re.compile(r'<[^>]+>', re.S) # 用正则表达式洗濯品评数据 text2 = dr.sub('', data['text']) text_list.append(text2) # 品评内容 time_list.append(trans_time(v_str=data['created_at'])) # 品评时间 like_count_list.append(data['like_count']) # 品评点赞数 source_list.append(data['source']) # 品评者IP归属地 user_name_list.append(data['user']['screen_name']) # 品评者姓名 user_id_list.append(data['user']['id']) # 品评者id user_gender_list.append(tran_gender(data['user']['gender'])) # 品评者性别 follow_count_list.append(data['user']['follow_count']) # 品评者关注数 followers_count_list.append(data['user']['followers_count']) # 品评者粉丝数末了，是生存数据的处理处罚逻辑：
df = pd.DataFrame( { 'id': [weibo_id] * len(time_list), '品评页码': page_list, '品评id': id_list, '品评时间': time_list, '品评点赞数': like_count_list, '品评者IP归属地': source_list, '品评者姓名': user_name_list, '品评者id': user_id_list, '品评者性别': user_gender_list, '品评者关注数': follow_count_list, '品评者粉丝数': followers_count_list, '品评内容': text_list, })if os.path.exists(v_comment_file): # 假如文件存在，不再设置表头 header = Falseelse: # 否则，设置csv文件表头 header = True# 生存csv文件df.to_csv(v_comment_file, mode='a+', index=False, header=header, encoding='utf_8_sig')print('结果生存乐成:{}'.format(v_comment_file))篇幅有限，哀求头、cookie、循环页码、数据洗濯等其他细节不再赘述。
看下终极数据： 2.2 可视化大屏
起首，看下终极大屏交互结果：
这个大屏，包罗了5个图表：
- 大标题-Line
- 词云图-Wordcloud
- 条形图-Bar
- 饼图-Pie
- 舆图-Map
下面，依次解说代码实现。
2.2.1 大标题
由于pyecharts组件没有专门用作标题的图表，我决定机动运用Line组件实现大标题。
line3 = ( Line(init_opts=opts.InitOpts(width="1000px", # 宽度 height="625px", # 高度 bg_color={"type": "pattern", "image": JsCode("img"), "repeat": "repeat", })) # 设置配景图片 .add_xaxis([None]) # 插入空数据 .add_yaxis("", [None]) # 插入空数据 .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), # 不表现y轴 xaxis_opts=opts.AxisOpts(is_show=False)) # 不表现x轴)# 设置配景图片line3.add_js_funcs( """ var img = new Image(); img.src = '大屏配景.jpg'; """)line3.render('大标题.html')print('页面渲染完毕:大标题.html')
这里最关键的逻辑，就是配景图片的处理处罚。我找了一个张天爱的图片：然后用add_js_funcs代码把此图片设置为整个大屏的配景图。
大标题结果：2.2.2 词云图
起首，把品评数据洗濯出来：
cmt_list = df['品评内容'].values.tolist() # 转换成列表cmt_list = [str(i) for i in cmt_list] # 数据洗濯cmt_str = ' '.join(cmt_list) # 转换成字符串然后，将洗濯后的数据，带入词云图函数，核心代码：
wc = WordCloud(init_opts=opts.InitOpts(width=chart_width, height=chart_height, theme=theme_config, chart_id='wc1'))wc.add(series_name="词汇", data_pair=data, word_gap=1, word_size_range=[5, 30], mask_image='张天爱配景图.png', ) # 增加数据wc.set_global_opts( title_opts=opts.TitleOpts(pos_left='center', title="张天爱品评-词云图", title_textstyle_opts=opts.TextStyleOpts(font_size=20) # 设置标题 ), tooltip_opts=opts.TooltipOpts(is_show=True), # 不表现工具箱)wc.render('张天爱词云图.html') # 天生html文件print('渲染完成:' + '张天爱词云图.html')
看下结果：2.2.3 条形图
针对品评数据的TOP10高频词，绘制出条形图。
核心代码：
bar = Bar( init_opts=opts.InitOpts(theme=theme_config, width=chart_width, height=chart_height, chart_id='bar_cmt')) # 初始化条形图bar.add_xaxis(x_data) # 增加x轴数据bar.add_yaxis("数目", y_data) # 增加y轴数据bar.reversal_axis() # 设置水平方向bar.set_series_opts(label_opts=opts.LabelOpts(position="right")) # Label出现位置bar.set_global_opts( legend_opts=opts.LegendOpts(pos_left='right'), title_opts=opts.TitleOpts(title=v_title, pos_left='center'), # 标题 toolbox_opts=opts.ToolboxOpts(is_show=False, ), # 不表现工具箱 xaxis_opts=opts.AxisOpts(name="数目", axislabel_opts={"rotate": 0}), # x轴名称 yaxis_opts=opts.AxisOpts(name="关键词", axislabel_opts=opts.LabelOpts(font_size=9, rotate=0), # y轴名称 ))bar.render(v_title + ".html") # 天生html文件print('渲染完成:' + v_title + '.html')
看下结果：
2.2.4 饼图（玫瑰图）
起首，针对品评数据，用snownlp库做情绪分析判定。
for comment in v_cmt_list: tag = '' sentiments_score = SnowNLP(comment).sentiments if sentiments_score < 0.4: # 情绪分小于0.4判定为悲观 tag = '悲观' neg_count += 1 elif 0.4 <= sentiments_score <= 0.6: # 情绪分在[0.4,0.6]直接判定为中性 tag = '中性' mid_count += 1 else: # 情绪分大于0.6判定为积极 tag = '积极' pos_count += 1 score_list.append(sentiments_score) # 得分值 tag_list.append(tag) # 判定结果df['情绪得分'] = score_listdf['分析结果'] = tag_list然后，将统计数据带入饼图函数，部门核心代码：
# 画饼图pie = ( Pie(init_opts=opts.InitOpts(theme=theme_config, width=chart_width, height=chart_width, chart_id='pie1')) .add(series_name="情绪分布", # 系列名称 data_pair=[['正能量', pos_count], # 添加数据 ['中性', mid_count], ['负能量', neg_count]], rosetype="radius", # 是否展示成南丁格尔图 radius=["30%", "55%"], # 扇区圆心角显现数据的百分比，半径显现数据的巨细 ) # 加入数据 .set_global_opts( # 全局设置项 title_opts=opts.TitleOpts(title=v_title, pos_left='center'), # 标题 legend_opts=opts.LegendOpts(pos_left='right', orient='vertical') # 图例设置项,靠右,竖向分列 ) .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))) # 样式设置项pie.render(v_title + '.html') # 天生html文件print('渲染完成:' + v_title + '.html')
看下结果：
2.2.5 舆图
把品评者的IP归属地统计求和，求和后的总数分布在舆图上。
df['品评者IP归属地'] = df['品评者IP归属地'].astype(str).str.replace('来自', '') # 数据洗濯loc_grp = df.groupby('品评者IP归属地').count()['品评内容']data_list = list(zip(loc_grp.index.tolist(), loc_grp.values.tolist()))数据准备好之后，带入舆图函数，部门核心代码：
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="品评数目", data_pair=v_data_list, maptype="china", # 舆图范例 is_map_symbol_show=False) .set_global_opts( title_opts=opts.TitleOpts(title=v_title, pos_left="center", ), legend_opts=opts.LegendOpts( # 设置图例 is_show=True, pos_top="40px", pos_right="30px"), visualmap_opts=opts.VisualMapOpts( # 设置视觉映射 is_piecewise=True, range_text=['高', '低'], pieces=[ # 分段表现 # {"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')
看下结果：三、演示视频
结果演示：
https://www.zhihu.com/zvideo/1546516025184866304
保举阅读：
【Python可视化大屏】全流程揭秘实现可视化数据大屏的背后原理！ |
