查看原文
其他

用 Python 给全球女神颜值排个序

The following article is from 数据森麟 Author 数据森麟

点击上方“开发者技术前线”,选择“星标”
13:21 在看 真爱
来源 | 数据森麟
公众号后台回复“女神”可以获取本文代码地址。
前言
朋友们,今天我们聊聊“女神大会”,作为一个钢铁直男,我打算用Python给全球女神颜值排个序,看看有没有你喜欢的种子选手~


数据来源


目前女神大会更新至了第90期,总共出场了90位女神,界面如下:



我们通过fiddler获取该界面中女神的照片地址以及每一篇文章的id编号,用于之后的爬取和可视化,代码如下:


import json
import requests
from bs4 import BeautifulSoup
import pandas as pd
import re
import os
os.chdir('D:/爬虫/女神')

id_list = []
title_list = []
pic_list = []
date_list=[]

for i in range(1,6):
   url= 'http://api.dongqiudi.com/search?keywords=%E5%A5%B3%E7%A5%9E%E5%A4%A7%E4%BC%9A&type=all&page='+str(i)
   html = requests.get(url=url).content
   news = json.loads(html.decode('utf-8'))['news']
   this_id = [k['id'for k in news]
   this_pic = [k['thumb'for k in news]
   this_title = [k['title'for k in news]
   this_date = [k['pubdate'for k in news]
   this_title=[BeautifulSoup(k,"html.parser").text for k in this_title]
   id_list = id_list+this_id
   title_list = title_list+this_title
   pic_list = pic_list+this_pic
   date_list = date_list+this_date


另一方面,每位女神的评分都在下一期当中,我们需要爬取文章内容进行获取。
爬取代码如下:


prev_title_list = []
score_list=[]
count_list=[]
for id in id_list:
   url = 'http://www.dongqiudi.com/archive/{k}.html'.format(k=id)    
   header = {'User-Agent''Mozilla/5.0 (Windows NT 10.0; Win32; x32; rv:54.0) Gecko/20100101 Firefox/54.0',
   'Connection''keep-alive'}
   cookies ='v=3; iuuid=1A6E888B4A4B29B16FBA1299108DBE9CDCB327A9713C232B36E4DB4FF222CF03; webp=true; ci=1%2C%E5%8C%97%E4%BA%AC; __guid=26581345.3954606544145667000.1530879049181.8303; _lxsdk_cuid=1646f808301c8-0a4e19f5421593-5d4e211f-100200-1646f808302c8; _lxsdk=1A6E888B4A4B29B16FBA1299108DBE9CDCB327A9713C232B36E4DB4FF222CF03; monitor_count=1; _lxsdk_s=16472ee89ec-de2-f91-ed0%7C%7C5; __mta=189118996.1530879050545.1530936763555.1530937843742.18'
   cookie = {}
   for line in cookies.split(';'):
       name, value = cookies.strip().split('='1)
       cookie[name] = value    
   html = requests.get(url,cookies=cookie, headers=header).content
   try:
       content = BeautifulSoup(html.decode('utf-8'),"html.parser")
       score = content.find('span',attrs={'style':"color:#ff0000"}).text
       prev_title = content.find('a',attrs={"target""_self"}).text
       prev_title_list.append(prev_title)
       score_list.append(score)
       sentence = content.text.split(',')
       count=[k for k in sentence if re.search('截至目前',str(k))][0]
       count_list.append(count)
   except:
       continue


整体对比


我们此次利用R语言中的ggimage包,将获取到的女神图片加入到最终的图表中,提高可视化效果,首先看一下整体评分的TOP15名单:



朱茵、林志玲、高圆圆位居榜单前三位,不知道这份榜单是否符合你心目中的女神标准,而这三位也恰好成为了目前出场的90位女星当中香港、台湾、大陆的最高分。值得一提的是,懂球帝小编对于活跃于90年代的香港女星情有独钟,从中选取了非常多的女神,而这些女神的评分也都名列前茅。


下面看一下目前出场的90位女神中,排名相对靠后的几位:



很多朋友会觉得这份榜单对于年轻女神有些苛刻,可能这也代表了广大网友对于各位年轻女神的美好期许,体现了她们未来的无限可能。

公众号后台回复“女神”可以获取本文代码地址。


区域对比


我们分区域看一下目前各个区域排名前十的名单:





看完了各个区域TOP10的名单之后,我们进行一下区域的对比:



我们将小提琴图与盒形图相结合,进行区域的对比,可以看到大陆女星的评分相对偏低,一方面是由于部分女神的评分较低,拉低了整体的分值,另一方面也是由于目前出场的大陆女星年龄普遍偏小,而这一点也会在下一部分得到证实


年份对比


我们看一下各个年份出生的女星总体评分情况对比,其中“60后”选项也包含了60前的女神,“90后”选项也包含了00后的女神



可以看到60后、70后的女神们平均分数要高于80后,而80后显著高于90后,一方面说明了大家对老牌女神们的认可,另一方面也是体现了大家对新生女神们的无限期许。


我们下面将区域与年份综合起来进行对比:



可以看到参与评分的大陆女神普遍比较年轻,这也一定程度解释了此前提到的大陆女神整体评分偏低的原因。而港台女神普遍集中在60、70后,这些女神们活跃的90年代也是香港电影、电视的黄金时期,我们也期待着香港影视未来的复苏.

公众号后台回复“女神”可以获取本文代码地址。

当然学习掌握爬虫,Python要进阶!推荐一本对Python感兴趣的书籍《Python进阶》,是《Intermediate Python》的中文译本,IntermediatePython这本书具有如下几个优点:简单、易读、易译。这些都不是重点,重点是:它是一本开脑洞的书。无论你是Python初学者,还是Python高手,它显现给你的永远是Python里最美好的事物。


原书作者

感谢英文原著作者 @yasoob《Intermediate Python》,有了他才有了这里的一切


译者

总顾问+审校: 刘宇 @liuyu

主译: PyCon老高 @spawnris

主译: 大牙matt @suqi

参译: 明源 @muxueqz



本书作者的行文方式有着科普作家的风范,--那就是能将晦涩难懂的技术用比较清晰简洁的方式进行呈现,深入浅出的风格在每个章节的讨论中都得到了体现:

  • 每个章节都非常精简,5分钟就能看完,用最简洁的例子精辟地展现了原理
  • 每个章节都会通过疑问,来引导读者主动思考答案
  • 每个章节都引导读者做延伸阅读,让有兴趣的读者能进一步举一反三
  • 每个章节都是独立的,你可以挑选任意的章节开始阅读,而不受影响



中文链接:

http://interpy.eastlakeside.com/

英文链接:

http://book.pythontips.com/en/latest/


电子书下载
👆关注公众号后台回复:

Python进阶


END





好文和朋友一起看~

    您可能也对以下帖子感兴趣

    文章有问题?点此查看未经处理的缓存