3天破9亿！上万条评论解读《西虹市首富》是否值得一看

作者介绍：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

个人公众号：数据森麟（ID:shujusenlin）,知乎同名专栏作者。

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：

1. tomato = pd.DataFrame(columns=['date','score','city','comment','nick'])

2. for i in range(0, 1000):

3.    j = random.randint(1,1000)

4.    print(str(i)+' '+str(j))

5.    try:

6.        time.sleep(2)

7.        url= 'http://m.maoyan.com/mmdb/comments/movie/1212592.json?_v_=yes&offset=' + str(j)

8.        html = requests.get(url=url).content

9.        data = json.loads(html.decode('utf-8'))['cmts']

10.        for item in data:

11.            tomato = tomato.append({'date':item['time'].split(' ')[0],'city':item['cityName'],

12.                                    'score':item['score'],'comment':item['content'],

13.                                    'nick':item['nick']},ignore_index=True)

14.        tomato.to_csv('西虹市首富4.csv',index=False)                          

15.   except:

16.        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：

1. tomato_com = pd.read_excel('西虹市首富.xlsx')

2. grouped=tomato_com.groupby(['city'])

3. grouped_pct=grouped['score'] #tip_pct列

4. city_com = grouped_pct.agg(['mean','count'])

5. city_com.reset_index(inplace=True)

6. city_com['mean'] = round(city_com['mean'],2)

7. data=[(city_com['city'][i],city_com['count'][i]) for i in range(0,

8.       city_com.shape[0])]

9. geo = Geo('《西虹市首富》全国热力图', title_color="#fff",

10.          title_pos="center", width=1200,

11.          height=600, background_color='#404a59')

12. attr, value = geo.cast(data)

13. geo.add("", attr, value, type="heatmap", visual_range=[0, 200],visual_text_color="#fff",

14.        symbol_size=10, is_visualmap=True,is_roam=False)

15. geo.render('西虹市首富全国热力图.html')

折线图+柱形图组合：

1. city_main = city_com.sort_values('count',ascending=False)[0:20]

2. attr = city_main['city']

3. v1=city_main['count']

4. v2=city_main['mean']

5. line = Line("主要城市评分")

6. line.add("城市", attr, v2, is_stack=True,xaxis_rotate=30,yaxis_min=4.2,

7.         mark_point=['min','max'],xaxis_interval =0,line_color='lightblue',

8.         line_width=4,mark_point_textcolor='black',mark_point_color='lightblue',

9.         is_splitline_show=False)  

10. bar = Bar("主要城市评论数")

11. bar.add("城市", attr, v1, is_stack=True,xaxis_rotate=30,yaxis_min=4.2,

12.         xaxis_interval =0,is_splitline_show=False)

13. overlap = Overlap()

14. # 默认不新增 x y 轴，并且 x y 轴的索引都为 0

15. overlap.add(bar)

16. overlap.add(line, yaxis_index=1, is_add_yaxis=True)

17. overlap.render('主要城市评论数_平均分.html')

词云：

1. tomato_str =  ' '.join(tomato_com['comment'])

2. words_list = []

3. word_generator = jieba.cut_for_search(tomato_str)

4. for word in word_generator:

5.    words_list.append(word)

6. words_list = [k for k in words_list if len(k)>1]

7. back_color = imread('西红柿.jpg')  # 解析该图片

8. wc = WordCloud(background_color='white',  # 背景颜色

9.               max_words=200,  # 最大词数

10.               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

11.               max_font_size=300,  # 显示字体的最大值

12.               stopwords=STOPWORDS.add('苟利国'),  # 使用内置的屏蔽词，再添加'苟利国'

13.               font_path="C:/Windows/Fonts/STFANGSO.ttf",

14.               random_state=42,  # 为每个词返回一个PIL颜色

15.               # width=1000,  # 图片的宽

16.               # height=860  #图片的长

17.               )

18. tomato_count = Counter(words_list)

19. wc.generate_from_frequencies(tomato_count)

20. # 基于彩色图像生成相应彩色

21. image_colors = ImageColorGenerator(back_color)

22. # 绘制词云

23. plt.figure()

24. plt.imshow(wc.recolor(color_func=image_colors))

25. 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：

1. 均是开心麻花出品、题材相似

2. 演员阵容重合度高

3. 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）

4. 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。

综上所述，我们给出30亿票房的预估。大家来和我们一起见证本公众号“章鱼保罗”般神奇的预测的or“球王贝利”般被啪啪打脸的预测。

欢迎各位在留言区留言你是否认同本公众号此次严谨（suixing）的预测

需要数据集的朋友，请关注“数据森麟”公众号，并在后台回复“西红柿”，期待大家更多的发现！

---

如果大家周围有对数据分析&数据挖掘感兴趣的朋友，欢迎在朋友圈分享&转发我们的公众号，让更多的朋友加入数据森麟。有好的文章也可以联系我与大家分享，需要获取代码转载本公众号文章，可以直接在公众号或者文章下方留言。

往期文章：