【可视化分析案例】用python分析B站Top100排行榜数据

一、数据源

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)

三、数据概览

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()

四、数据清洗

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。

五、可视化分析

5.1 相关性分析（Correlation）

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。

5.2 饼图（Pie）

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%）

5.3 箱形图（Boxplot）

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。

5.4 词云图（wordcloud）

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：

1. 词云图和背景图的形状，大体一致（mask参数的作用）

2. 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