大家好，我是 👉 【Python当打之年(点击跳转)】

本期我们利用Python分析「微博泡泡玛特热搜评论数据集」，看看：各用户评论IP地图分布、话题点赞热度趋势、话题评论热度趋势、各个时间段评论数量、舆论情感分布、用户性别占比、评论内容词云等等，希望对大家有所帮助，如有疑问或者需要改进的地方可以联系小编。

涉及到的库：

• Pandas— 数据处理
• Pyecharts— 数据可视化

🏳️‍🌈 1. 导入模块

import jieba
import pandas as pd
from snownlp import SnowNLP
from pyecharts.charts import *
from pyecharts import options as opts
import warnings
warnings.filterwarnings('ignore')

🏳️‍🌈 2. Pandas数据处理

2.1 读取数据

df = pd.read_excel('微博泡泡玛特数据.xlsx')

2.2 数据信息

df.info()

2.3 数据去重

df1 = df.drop_duplicates()

2.4 数据去空

df1 = df1.dropna()

2.5 时间处理

df1['发布时间_s'] = df1['时间'].str[:10]
df1['时间_d'] = pd.to_datetime(df1['时间']).dt.day
df1['时间_h'] = pd.to_datetime(df1['时间']).dt.hour

2.6 性别处理

df1['性别'] = df1['性别'].replace({'f':'女性','m':'男性'})

2.7 评论内容处理

score = []
for comm in comments:s = SnowNLP(comm)score.append(round(s.sentiments,4))
df1['情感评分'] = score
df1['情感评分区间'] = pd.cut(df1['情感评分'],bins=[0,0.3,0.7,1],labels=['消极','中性','积极'])

🏳️‍🌈 3. Pyecharts数据可视化

3.1 用户评论IP分布

def get_chart():chart = (Map().add('', data, 'china').set_global_opts(title_opts=opts.TitleOpts(title='1-用户评论IP分布',subtitle=subtitle,pos_top='2%',pos_left='center',title_textstyle_opts=opts.TextStyleOpts(font_size=20)),visualmap_opts=opts.VisualMapOpts(is_show=True,pos_left='15%',pos_bottom='10%',range_color=range_color),legend_opts=opts.LegendOpts(is_show=False)))

• 东部地区评论数量要明显高于中西部地区，沿海地区更为明显，也从侧面反映了当地的经济情况。

3.2 话题点赞热度趋势

• 话题热度在06-08当天最高，后续持续下降，符合一般的舆情趋势。

3.3 话题评论热度趋势

def get_chart():chart = (Line().add_xaxis(x_data).add_yaxis('', y_data).set_colors(range_color[1]).set_global_opts(title_opts=opts.TitleOpts(title='3-话题评论热度趋势',subtitle=subtitle,pos_top='2%',pos_left='center',title_textstyle_opts=opts.TextStyleOpts(font_size=20)),legend_opts=opts.LegendOpts(is_show=False)))

3.4 各个时间段评论数量

• 从评论时间上来看，在晚上的19:00-21:00期间评论量达到顶峰，其他时间较平缓，在早上的07:00-09:00出现次高峰，这个时间也是上班高峰时间。

3.5 评论点赞量分布

def get_chart():chart = (Scatter().add_xaxis(x_data).add_yaxis('', y_data,label_opts=opts.LabelOpts(is_show=False)).set_global_opts(title_opts=opts.TitleOpts(title='5-评论点赞量分布',subtitle=subtitle,pos_top='2%',pos_left='center',title_textstyle_opts=opts.TextStyleOpts(font_size=20)),visualmap_opts=opts.VisualMapOpts(is_show=False,range_color=range_color),legend_opts=opts.LegendOpts(is_show=False)))

3.6 舆论情感分布

• 舆情方面在，大众的积极情绪占比还是最多的，但是和中性情绪相差不是很明显，说明正向反向舆情存在一定波动。

3.7 用户性别占比

def get_chart():chart = (Pie().add('',datas,center=['50%', '50%'],).set_global_opts(title_opts=opts.TitleOpts(title='7-用户性别占比',subtitle=subtitle,pos_top='2%',pos_left='center',title_textstyle_opts=opts.TextStyleOpts(font_size=20)),legend_opts=opts.LegendOpts(is_show=True,pos_top='12%')))

• 用户性别占比，男女基本持平，说明此舆情和性别关系不大。

3.8 用户性别占比

def get_chart():chart = (WordCloud().add('', words, word_size_range=[20, 50]).set_global_opts(title_opts=opts.TitleOpts(title='8-评论内容词云',pos_top='2%', pos_left='center',title_textstyle_opts=opts.TextStyleOpts(font_size=20)),visualmap_opts=opts.VisualMapOpts(is_show=False,range_color=range_color),))

🏳️‍🌈 4. 可视化项目源码+数据

点击跳转：【全部可视化项目源码+数据】

---

以上就是本期为大家整理的全部内容了，赶快练习起来吧，原创不易，喜欢的朋友可以点赞、收藏也可以分享（注明出处）让更多人知道。