我做了12萬條的影評分析，告訴你《戰狼Ⅱ》都在說些啥

本文原作者麥艷濤。本文原載於知乎專欄。

截止到8月15日，《戰狼Ⅱ》上映的第19天，票房已超45億人民幣。

真正成為唯一一部挺進世界影史票房前100名的亞洲電影。

拋開爆炸的票房不說，電影還激起了觀眾各種情緒，甚至有人放狠話說：敢噴《戰狼Ⅱ》的，要麼是智障，要麼是公敵，就是這麼簡單粗暴。

儘管各路評論出街，媒體鬧得沸沸揚揚，觀眾還是傻傻分不清楚哪邊意見比較靠譜。

本文通過Python爬蟲的方式獲取數據，對豆瓣電影評論進行分析，製作了豆瓣影評的雲圖。

現在，讓我們來看看，《戰狼Ⅱ》評論里到底藏著哪些有趣的潛台詞。

數據的獲取

對於數據的獲取，本文採用的是Python爬蟲的方式獲取的數據。用到的主要是requests包與正則包re。該程序並未對驗證碼進行處理。

之前也爬取過豆瓣的網頁，當時由於爬取的內容少，所以並沒有遇到驗證碼的事情。在寫本文爬蟲的時候，原以為也不會有驗證碼，但是當爬取到大概15000個評論的時候跳出來驗證碼。然後我就想不就是十二萬嗎?最多我也就是輸入大概十幾次驗證碼，所以就沒有處理驗證碼的事情。

但是接下來的事情就有點坑到我了。爬取15000左右評論並輸入驗證碼的時候，我以為會接下來爬取到30000左右，可是才爬了3000左右就不行了，還是要輸驗證碼。然後就一直這樣，跌跌撞撞，有時候爬取好長時間才需要驗證碼，有時候則不是。不過最後還是把評論爬取下來了。

爬取的內容主要是：用戶名，是否看過，評論的星星點數，評論時間，認為有用的人數，評論內容。參看下圖（用戶名已隱藏）：

這個是影評的起始頁：豆瓣影評

以下是Python爬蟲的代碼:

以上代碼注意設置你自己的User-Agent，Cookie，CSV保存路徑等。

爬取的內容保存成CSV格式的文件。保存的文件內容如下:

數據清洗

本文用R語言來處理數據。雖然在爬取的時候已經非常注意爬取內容的結構了，但是還是不可避免的有一些值不是我們想要的，比如有的評論內容會出現在評論者這一項中。所以還是有必要進行一下數據的清洗。

首先載入要用到的所有包：

導入數據並清洗：

數據淺析

先來看一看通過星星數評論的情況：

五角星的個數對應5個等級，5顆星代表力薦，4顆星代表推薦，3顆星代表還行，2顆星代表較差，1顆星代表很差。通過五角星的評論顯而易見。我們有理由相信絕大部分觀看者對這部影片持滿意態度。

對評論結果的雲圖展示：

首先我們應該先進行評論的分詞

總體評論雲圖展示

由於數據太多，導致我的破電腦卡頓，所以在製作雲圖的時候去掉了頻數低於1000的辭彙。

雲圖結果如下：

整體來看，大家對這不影片的評論還是不錯呀！劇情，動作，愛國等話題是大家談論的焦點。但是如果把不同評價的人的評論分別展示會是什麼樣子呢？

不同評論等級的雲圖展示

也就是對五個等級（力薦，推薦，還行，較差，很差）的評論內容製作雲圖。代碼如下（只要改變代碼中力薦為其他即可）：

1.力薦的評論人的評論雲圖

2.推薦的評論人的評論雲圖

3.還行的評論人的評論雲圖

4.較差的評論人的評論雲圖

5.很差的評論人的評論雲圖

結論

從不同的評論的分詞結果來看，他們都有一個共同的話題：愛國。

在力薦的評論中可能愛國話題的基數比很差的評論中的多，在力薦的評論中人們更願意討論的是愛國話題之外的事情。在很差的評論中人們討論的大多是愛國話題。而且他們占的比例很有意思，從力薦的人到評論很差的人，愛國話題的比例逐漸增加。

我們不能主觀的認為誰對誰錯，只能說他們站在的角度不一樣，所以看到的結果也不太一樣。當我們和別人意見不同時，往往是所處的角度不同。評論很差的人考慮的更多的是愛國的話題吧（這裡只是愛國話題的討論，並不是誰愛不愛國）！！

作者 /麥艷濤（挖掘機小王子）

簡介/數據分析愛好者

來源 /知乎專欄

關注 AI 研習社（okweiwu），回復1領取

【超過 1000G 神經網路／AI／大數據、教程、論文！】

在 Mac OS X 裝不上 TensorFlow？看了這篇就會裝

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！