- 一、数据源
- 二、数据读取
- 三、数据概览
- 四、数据清洗
- 五、可视化分析
- 5.1 相关性分析（Correlation）
- 5.2 饼图（Pie）
- 5.3 箱形图（Boxplot）
- 5.4 词云图（wordcloud）
- 六、同步讲解视频
之前，我分享过一期爬虫，用python爬取Top100排行榜：
最终数据结果，是这样的：
在此数据基础上，做python可视化分析。
二、数据读取首先，读取数据源：
# 读取csv数据
df = pd.read_csv(csv)
用shape查看数据形状：
# 查看数据形状
df.shape
用head查看前n行：
# 查看前5行
df.head(5)
用info查看列信息：
# 查看列信息
df.info()
用describe查看统计性分析：
# 描述性统计分析
df.describe()
查看是否存在空值：
# 查看空值
df.isna().any()
每列都是False，没有空值。
查看是否存在重复值：
#查看重复值
df.duplicated().any()
False代表没有重复值。
上面我们看到，点踩数都是0，没有分析意义，所以，用drop删除此列：
# 删除没用的列
df.drop('点踩数', axis=1, inplace=True)
删除之后，查看删除结果：
没有点踩数了。
数据中，有播放数、弹幕数、投币数、点赞数、分享数、收藏数等众多数据指标。
我想分析出，这些指标中，谁和综合得分的关系最大，决定性最高。
直接采用pandas自带的corr函数，得出相关性（spearman相关）矩阵：
可以看出，点赞数和综合得分的相关性最高，达到了0.66。
根据此分析结论，进一步画出点赞数和综合得分的分布散点图，验证此结论的正确性。
得出结论：随着点赞数增多，综合得分呈明显上升趋势，进一步得出，二者存在正相关的关系。
综合得分划分分布区间，绘制出分布饼图。
首先，划分数据区间：
# 设置分段
bins = [1000000, 1500000,2000000, 2500000, 3000000, 10000000]
# 设置标签
labels = [
'100w-150w',
'150w-200w',
'200w-250w',
'250w-300w',
'300w-1000w'
]
# 按分段离散化数据
segments = pd.cut(score_list, bins, labels=labels) # 按分段切割数据
counts = pd.value_counts(segments, sort=False).values.tolist() # 统计个数
至于区间怎么划分，可以按照对数据的大致理解，和最终可视化呈现的效果，微调划分区间。
绘制饼图：
得出结论：综合得分在100w至150w这个区间的视频最多，有36个视频（占比36%）
箱形图，是一种分析数据分布、离散情况的数据分析方法。
首先，我尝试了把这几个数据指标，绘制在同一张图里：
可以发现，由于播放数远远大于其他数据指标，不在一个数量级，导致其他数据指标的box都挤到一块了，可视化效果很差，所以，我打算把每个box画到一个图里，避免这种情况的发生。
以下代码，含知识点（subplot(n_row, n_col, order) n_row代表几行，n_col代表几列，order代表第几个）
得出结论：每个数据指标都存在极值的情况（最大值距离box很远），数据比较离散，方差较大。
针对视频作者，画出词云图。
代码中各个细节设置项，已添加对应注释，不再赘述。
和原始背景图对比：
这个背景图，是我找的一个动漫小人的图片，对比词云图，你会发现：
-
词云图和背景图的形状，大体一致（mask参数的作用）
-
词云图和背景图的颜色分布，大体一致（color_func参数的作用）
至此，全部分析结束。
六、同步讲解视频此案例的讲解视频：
https://www.zhihu.com/zvideo/1513851213354893312
by 马哥python说