内容简介:作者 | 徐麟,目前就职于互联网公司数据部,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编辑 | Emily
作者 | 徐麟,目前就职于互联网公司数据部,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
编辑 | Emily
前言
作为一位喜爱足球的球迷,“懂球帝”一定会是款必不可少的 app,即使是只有 16G 的空间,也从未将其卸载。然而我们今天聊的与足球无关,而是去聊懂球帝上的“女神大会”专栏,作为一个大型“钢铁直男”聚集地,“懂球帝”上对各位女神的评分,对广大“钢铁直男”群体也具有一定代表性。
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:
1import json 2import requests 3from bs4 import BeautifulSoup 4import pandas as pd 5import re 6import os 7os.chdir('D:/爬虫/女神') 8 9id_list = [] 10title_list = [] 11pic_list = [] 12date_list=[] 13 14for i in range(1,6): 15 url= 'http://api.dongqiudi.com/search?keywords=%E5%A5%B3%E7%A5%9E%E5%A4%A7%E4%BC%9A&type=all&page='+str(i) 16 html = requests.get(url=url).content 17 news = json.loads(html.decode('utf-8'))['news'] 18 this_id = [k['id'] for k in news] 19 this_pic = [k['thumb'] for k in news] 20 this_title = [k['title'] for k in news] 21 this_date = [k['pubdate'] for k in news] 22 this_title=[BeautifulSoup(k,"html.parser").text for k in this_title] 23 id_list = id_list+this_id 24 title_list = title_list+this_title 25 pic_list = pic_list+this_pic 26 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:
1prev_title_list = [] 2score_list=[] 3count_list=[] 4for id in id_list: 5 url = 'http://www.dongqiudi.com/archive/{k}.html'.format(k=id) 6 header = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win32; x32; rv:54.0) Gecko/20100101 Firefox/54.0', 7 'Connection': 'keep-alive'} 8 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' 9 cookie = {} 10 for line in cookies.split(';'): 11 name, value = cookies.strip().split('=', 1) 12 cookie[name] = value 13 html = requests.get(url,cookies=cookie, headers=header).content 14 try: 15 content = BeautifulSoup(html.decode('utf-8'),"html.parser") 16 score = content.find('span',attrs={'style':"color:#ff0000"}).text 17 prev_title = content.find('a',attrs={"target": "_self"}).text 18 prev_title_list.append(prev_title) 19 score_list.append(score) 20 sentence = content.text.split(',') 21 count=[k for k in sentence if re.search('截至目前',str(k))][0] 22 count_list.append(count) 23 except: 24 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。
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:
(以上图片均来自于“懂球帝”APP)
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。
后记
懂球帝目前的女神大会做到了90期,并没有十分完整地囊括广大女神,比如“四旦双冰”就都没有出现,使得这次的数据并不能完全地表述广大“钢铁直男”心中的女神标准,未来随着期数的增加,相信会有更加完善的分析
最后,我突发奇想,想要看下在一周中不同时间出场的女神评分是否会有区别:
这个结果有点意外呢!在一周快要结束的两天,即周四和周五的评分反而比周一到周三还要低,目前还不能确定是否有数量不足导致的偏差,后续我们还将继续关注,也希望这次的分析能让大家感受到 Python 的魅力,下次可以自己实践一波~
(本文为投稿文章,转载请联系原作者。)
福利公众号后台回复: 2018Python ,获取 2018Python开源项目Top100 整理资料! 或扫码添加小助手微信,回复: 1 ,入群 获取。
推荐阅读:
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:- 谈我心目中的推荐系统架构
- 我心目中的配置中心应该怎么做?
- 决胜圣诞,女神心情不用猜!
- Git 居然可以用来跟女神聊天?
- HTTP协议调试工具汇总,你心目中应该是什么样的?
- 炫酷粒子表白 | 听说女神都想谈恋爱了!
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。