@浙大疏锦行
数据使用爬虫爬取weibo数据，下面是代码
import datetime
import os
import csv
import time
import numpy as np
import random
import re
import urllib.parse
import requests
from fake_useragent import UserAgent
def init():
if not os.path.exists('../weiboDeatail.csv'):
with open('../weiboDeatail.csv', 'a', newline='', encoding='utf-8') as wf:
writer = csv.writer(wf)
writer.writerow(['articleId',
'created_at',
'likes_counts',
'region',
'content',
'authorName',
'authorGender',
'authorAddress',
'authorAvatar',])
def save_to_file(resultData):
with open('../weiboDeatail.csv', 'a', newline='', encoding='utf-8') as f:
writer = csv.writer(f)
writer.writerow(resultData)
def get_data(url,params):
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36 Edg/122.0.0.0',
'cookie': 'SINAGLOBAL=8782631946839.119.1699202998560; SUB=_2AkMQaTYef8NxqwFRmfoUz2jhb451yAzEieKmNcfFJRMxHRl-yj8XqhEbtRB6O-kY8WFdEr155S_EPSDhRZ5dRRmT-_aC; SUBP=0033WrSXqPxfM72-Ws9jqgMF55529P9D9WWcQpMfOClpsGU0ylkr.Dg2; XSRF-TOKEN=pMdYpIdaKB-vThaLz_RPmMy7; _s_tentry=weibo.com; Apache=3448313847055.298.1731574115528; ULV=1731574115668:1:1:1:3448313847055.298.1731574115528:; WBPSESS=V0zdZ7jH8_6F0CA8c_ussWO_XbISeXyf_cdQhE-a7tA9YWqKR0HqFFlwwlm4O_tCVqfBbTqYra_IEAKvR3DtVLRWcGHqKNMZv9wHENJbx4l6rpBH3A2CNiiAuRQVin2ZNgg7rPufq9s7kOHoQJsAbLrUReKu8_UTai8PbfZrq7M='
}
response = requests.get(url, headers=headers,params=params)
print(f"Response Status Code: {response.status_code}")
print(f" response.text: { response.text }")
if response.status_code == 200:
return response.json()['data']
else:
return None
def getAllArticleTypeList():
articleList=[]
with open('weibo1.csv', 'r', encoding='utf-8') as f:
readerCsv = csv.reader(f)
next(readerCsv)
for nav in readerCsv:
articleList.append(nav)
return articleList
def prase_json(response,articleId):
for comment in response:
articleId = articleId
created_at = datetime.datetime.strptime(comment['created_at'], '%a %b %d %H:%M:%S +0800 %Y').strftime('%Y-%m-%d %H:%M:%S')
likes_counts = comment['like_counts']
try:
region = comment['source'].replace('来自','')
except:
region = '无'
content = comment['text_raw']
authorName = comment['user']['screen_name']
authorGender = comment['user']['gender']
authorAddress = comment['user']['location']
authorAvatar = comment['user']['avatar_large']
print(articleId,
created_at,
likes_counts,
region,
content,
authorName,
authorGender,
authorAddress,
authorAvatar)
save_to_file([articleId,
created_at,
likes_counts,
region,
content,
authorName,
authorGender,
authorAddress,
authorAvatar])
# break
def start():
commentUrl='https://weibo.com/ajax/statuses/buildComments'
articleList=getAllArticleTypeList()
typeNumCount = 0
for article in articleList[1:]:
articleId=article[0]
print('正在获取id为%s的评论数据'%articleId)
time.sleep(random.randint(1,5))
params = {
'id': int(articleId),
'is_show_bulletin':3
}
response = get_data(commentUrl,params)
prase_json(response,articleId)
# break
if __name__ == '__main__':
init()
start()
查看数据形状
import pandas as pd
# 读取数据
# 读取数据并添加表头
data = pd.read_csv(r'weiboDeatail.csv', header=None, names=['articleId', 'created_at', 'likes_counts', 'region', 'content', 'authorName', 'authorGender', 'authorAddress', 'authorAvatar'])
# 打印数据集的基本信息（列名、非空值数量、数据类型等）
print("data.info() - 数据集的基本信息（列名、非空值数量、数据类型等）：")
print(data.info())
# 打印数据集的形状（行数和列数）
print("\ndata.shape - 数据集的形状（行数, 列数）：")
print(data.shape)
# 打印数据集的所有列名
print("\ndata.columns - 数据集的所有列名：")
print(data.columns)
# 查看前5行数据
print("\n查看前5行数据：")
print(data.head())
# 查看后5行数据
print("\n查看后5行数据：")
print(data.tail())
# 查看是否有缺失值
print("\n查看是否有缺失值：")
print(data.isnull().sum())
# 检测是否有重复值
print("\n检测是否有重复值：")
print(data.duplicated().sum())
# 描述性统计
print("\n描述性统计：")
print(data.describe(include='all'))
# 删除操作：删除某一列（例如删除authorAvatar列）
print("\n删除操作：删除authorAvatar列")
data = data.drop(columns=['authorAvatar'])
print(data.columns)
# 查询操作：查询点赞数大于100的文章
print("\n查询操作：查询点赞数大于100的文章")
filtered_data = data[data['likes_counts'] > 100]
print(filtered_data)
# 排序操作：按点赞数降序排序
print("\n排序操作：按点赞数降序排序")
sorted_data = data.sort_values(by='likes_counts', ascending=False)
print(sorted_data.head())
# 分组操作：按地区分组并统计每个地区的文章数量
print("\n分组操作：按地区分组并统计每个地区的文章数量")
grouped_data = data.groupby('region').size()
print(grouped_data)
绘制分析图
可视化需求和图表类型
需求：绘制文章点赞数分布直方图
图表类型：直方图
含义：展示文章点赞数的分布情况，观察点赞数的集中区间和分布趋势。
需求：绘制文章发布地区分布柱形图
图表类型：柱形图
含义：展示不同地区发布文章的数量，识别文章发布最活跃的地区。
需求：绘制作者性别分布饼图
图表类型：饼图
含义：展示作者性别的比例，了解性别在作者群体中的分布情况。
需求：绘制文章内容关键词词云图
图表类型：词云图
含义：通过关键词的大小和颜色展示文章内容中最常见的词汇，识别热门话题。
需求：绘制文章作者地址分布柱形图
图表类型：柱形图
含义：展示不同地址的作者数量，识别作者分布最集中的地区。
需求：绘制文章发布时间分布直方图
图表类型：直方图
含义：展示文章发布时间的分布情况，观察文章发布的高峰时段。
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from wordcloud import WordCloud
import matplotlib.font_manager as fm
# 设置matplotlib支持中文字体
plt.rcParams['font.sans-serif'] = ['SimHei'] # 使用黑体
plt.rcParams['axes.unicode_minus'] = False # 解决负号'-'显示为方块的问题
# 读取数据
# 读取数据并添加表头
data = pd.read_csv(r'weiboDeatail.csv', header=None, names=['articleId', 'created_at', 'likes_counts', 'region', 'content', 'authorName', 'authorGender', 'authorAddress', 'authorAvatar'])
# 1. 绘制文章点赞数分布直方图
plt.figure(figsize=(10, 6))
sns.histplot(data['likes_counts'], bins=30, kde=True)
plt.title('文章点赞数分布直方图')
plt.xlabel('点赞数')
plt.ylabel('频数')
plt.show()
# 2. 绘制文章发布地区分布柱形图
plt.figure(figsize=(12, 6))
region_counts = data['region'].value_counts().head(10)
sns.barplot(x=region_counts.index, y=region_counts.values)
plt.title('文章发布地区分布柱形图')
plt.xlabel('地区')
plt.ylabel('文章数量')
plt.xticks(rotation=45)
plt.show()
# 3. 绘制作者性别分布饼图
plt.figure(figsize=(8, 8))
gender_counts = data['authorGender'].value_counts()
plt.pie(gender_counts, labels=gender_counts.index, autopct='%1.1f%%', startangle=140)
plt.title('作者性别分布饼图')
plt.show()
# 4. 绘制文章内容关键词词云图
plt.figure(figsize=(12, 8))
# 获取系统中的中文字体路径
font_path = fm.findfont(fm.FontProperties(family=['SimHei']))
wordcloud = WordCloud(width=800, height=400, background_color='white', font_path=font_path).generate(' '.join(data['content']))
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis('off')
plt.title('文章内容关键词词云图')
plt.show()
# 5. 绘制文章作者地址分布柱形图
plt.figure(figsize=(12, 6))
address_counts = data['authorAddress'].value_counts().head(10)
sns.barplot(x=address_counts.index, y=address_counts.values)
plt.title('文章作者地址分布柱形图')
plt.xlabel('作者地址')
plt.ylabel('作者数量')
plt.xticks(rotation=45)
plt.show()
# 6. 绘制文章发布时间分布直方图
plt.figure(figsize=(10, 6))
data['created_at'] = pd.to_datetime(data['created_at'])
sns.histplot(data['created_at'].dt.hour, bins=24, kde=True)
plt.title('文章发布时间分布直方图')
plt.xlabel('小时')
plt.ylabel('频数')
plt.show()
![学习笔记(24): 机器学习之数据预处理Pandas和转换成张量格式[2]](https://i-blog.csdnimg.cn/direct/db92e58cde9b4aa194d3629461b095ab.png)
