作者：徐麟，目前就职于上海唯品会产品技术中心，哥大统计数据狗，从事数据挖掘&分析工作，喜欢用R&Python玩一些不一样的数据
前言：
纵观近几年的国产电影市场，“开心麻花“似乎已经成为了票房的保证。从《夏洛特烦恼》、《羞羞的铁拳》到最新上映的《西虹市首富》都引爆了票房。本期我们会根据从猫眼电影网爬取到的上万条评论为你解读《西虹市首富》是否值得一看。
数据爬取：
此次数据爬取我们参考了之前其他文章中对于猫眼数据的爬取方法，调用其接口，每次取出部分数据并进行去重，最终得到上万条评论，代码如下：
tomato = pd.DataFrame(columns=['date','score','city','comment','nick'])
for i in range(0,1000):
j = random.randint(1,1000)
print(str(i)+' '+str(j))
try:
time.sleep(2)
url='http://m.maoyan.com/mmdb/comments/movie/1212592.json?_v_=yes&offset='+str(j)
html = requests.get(url=url).content
data=json.loads(html.decode('utf-8'))['cmts']
foritemindata:
tomato = tomato.append({'date':item['time'].split(' ')[0],'city':item['cityName'],
'score':item['score'],'comment':item['content'],
'nick':item['nick']},ignore_index=True)
tomato.to_csv('西虹市首富4.csv',index=False)
except:
continue
数据分析：
我们看一下所得到的数据：
数据中我们可以得到用户的昵称，方便后面进行去重。后面的部分主要围绕评分、城市、评论展开。
首先看一下，评论分布热力图：
京津翼、江浙沪、珠三角等在各种榜单长期霸榜单的区域，在热力图中，依然占据着重要地位。同时，我们看到东三省和四川、重庆所在区域也有着十分高的热度，这也与沈腾自身东北人&四川女婿的身份不谋而合（以上纯属巧合，切勿较真
）。
下面我们要看的是主要城市的评论数量与打分情况：
打出最高分4.77分的正是沈腾家乡的省会城市哈尔滨（沈腾出生于黑龙江齐齐哈尔），看来沈腾在黑龙江还是被广大父老乡亲所认可的。最低分和次低分来自于合肥和郑州，今后的开心麻花可以考虑引入加强在中部地区的宣传。
我们按照打分从高到底对城市进行排序：
在评论数量最多的二十个城市中，评分前七名的城市中东北独占四席，而分数相对较低的城市中武汉、合肥、郑州都属于中部地区，可见不同地区的观众对影评的认可程度有着一定差异。
我们把城市打分情况投射到地图中：（红色表示打分较高，蓝色表示较低）
进一步，我们把城市划分为评分较高和较低两部分
较高区域：
较低区域：
可以看到对于“西红柿”，南北方观众的评价存在一定差异，这与每年春晚各个地区收视率似乎有一些吻合知乎。沈腾本身也是春晚的常客，电影中自然会带一些“春晚小品味”，这似乎可以一定程度上解释我们得到的结果。
看过了评分，我们看一下评论生成的词云图，以下分别是原图和据此绘制的词云图：
不知道大家的想法如何，至少在我看到了这样的词云，搞笑、笑点、值得、开心、不错，甚至是哈哈都会激起我强烈的看片欲望。同时，沈腾也被大家反复提起多次，可以预见其在片中有着非常不错的表演，也会一定程度上激发大家看片的欲望。
部分代码展示
热力图：
tomato_com = pd.read_excel('西虹市首富.xlsx')
grouped=tomato_com.groupby(['city'])
grouped_pct=grouped['score']#tip_pct列
city_com = grouped_pct.agg(['mean','count'])
city_com.reset_index(inplace=True)
city_com['mean'] = round(city_com['mean'],2)
data=[(city_com['city'][i],city_com['count'][i])foriinrange(0,city_com.shape[0])]
geo = Geo('《西虹市首富》全国热力图', title_color="#fff",
title_pos="center", width=1200,
height=600, background_color='#404a59')
attr, value = geo.cast(data)
geo.add("", attr, value, type="heatmap", visual_range=[0,200],visual_text_color="#fff",
symbol_size=10, is_visualmap=True,is_roam=False)
geo.render('西虹市首富全国热力图.html')
折线图+柱形图组合：
city_main = city_com.sort_values('count',ascending=False)[0:20]
attr= city_main['city']
v1=city_main['count']
v2=city_main['mean']
line = Line("主要城市评分")
line.add("城市",attr, v2, is_stack=True,
xaxis_rotate=30,yaxis_min=4.2,
mark_point=['min','max'],xaxis_interval=0,
line_color='lightblue',
line_width=4,mark_point_textcolor='black',
mark_point_color='lightblue',
is_splitline_show=False)
bar = Bar("主要城市评论数")
bar.add("城市",attr, v1, is_stack=True,xaxis_rotate=30,yaxis_min=4.2,
xaxis_interval =0,is_splitline_show=False)
overlap = Overlap()
# 默认不新增 x y 轴，并且 x y 轴的索引都为0
overlap.add(bar)
overlap.add(line, yaxis_index=1, is_add_yaxis=True)
overlap.render('主要城市评论数_平均分.html')
词云：
tomato_str =' '.join(tomato_com['comment'])
words_list = []
word_generator = jieba.cut_for_search(tomato_str)
forwordinword_generator:
words_list.append(word)
words_list = [kforkinwords_listiflen(k)>1]
back_color
= imread('西红柿.jpg')# 解析该图片
wc = WordCloud(background_color='white',# 背景颜色
max_words=200,# 最大词数
mask=back_color,# 以该参数值作图绘制词云，这个参数不为空时，width和height会被忽略
max_font_size=300,# 显示字体的最大值
stopwords=STOPWORDS.add('苟利国'),# 使用内置的屏蔽词，再添加'苟利国'
font_path="C:/Windows/Fonts/STFANGSO.ttf",
random_state=42,# 为每个词返回一个PIL颜色
# width=1000, # 图片的宽
# height=860 #图片的长
)
tomato_count = Counter(words_list)
wc.generate_from_frequencies(tomato_count)
# 基于彩色图像生成相应彩色
image_colors = ImageColorGenerator(back_color)
# 绘制词云
plt.figure()
plt.imshow(wc.recolor(color_func=image_colors))
plt.axis('off')
票房预估：
最后我们来大胆预估下《西虹市首富》的票房，我们日常在工作中会选取标杆来对一些即将发生的事情进行预估。这次我们选择的标杆就是《羞羞的铁拳》：
基于以下几点我们选择《羞羞的铁拳》作为标杆：
均是开心麻花出品、题材相似
演员阵容重合度高
豆瓣粉丝认可程度相似（评分均为6.9，处于喜剧片中位数水平）
猫眼粉丝认可程度相似（铁拳评分9.1,西红柿评分9.3）
我们看一下两部影片前三天的走势：
前三天两部片子的票房走势十分相似，基于之前我们的平均，我们可以尝试性（比随机准一点）预测一下“西红柿”最终的票房。“西红柿”票房预测值≈“铁拳”总票房/“铁拳”前三天票房*“西红柿”前三天票房=22.13/5.25*8.62≈36，考虑到铁拳上映是在国庆假期，西红柿的票房预估需要相应的下调。
作者：天善智能
链接：https://www.jianshu.com/p/373ce06cf183
随时随地看视频
