深陷抄袭之名、诉讼纠纷的《爱情公寓》终于上映了。
情怀粉们的力量不容小觑，截止到撰稿，《爱情公寓》票房已经突破 3.72 亿大关，稳坐票房冠军的宝座，院线排片占比高达 40.0%。
和超高票房背道而驰的，是各大社交平台上一边倒的差评。豆瓣万人打分，九成观众果断打了一星，只无奈豆瓣没有零星选项。
不知道有多少像我这样的情怀粉丝们，满怀期待地买了电影票，走进电影院，却发现是交了智商税。
豆瓣短评区里，观众们的状态已经出离愤怒，近乎暴走的状态。有人揭露电影挂羊头卖狗肉，电影内容和《爱情公寓》故事主线毫无关系，是山寨电影、诈骗电影、电影中的拼多多。
为了燃解我心头之恨，笔者将会跟你一起用猫眼上万条评论数据来分析，网友对这部电影的反响是否烂到刷新国产片不要脸的下限？
还是老规矩，整体思路将会从数据获取、数据清洗、数据可视化三部曲来进行：
01：数据获取清洗
整体思路与之前获取《邪不压正》评论一样：
具体代码如下：、
import requests
import time
import random
import json
#获取每一页数据
def get_one_page(url):
response = requests.get(url=url)
if response.status_code == 200:
return response.text
return None
#解析每一页数据
def parse_one_page(html):
data = json.loads(html)['cmts']#获取评论内容
for item in data:
yield{
'date':item['time'].split(' ')[0],
'nickname':item['nickName'],
'city':item['cityName'],
'rate':item['score'],
'conment':item['content']
}
#保存到文本文档中
def save_to_txt():
for i in range(1,1001):
print("开始保存第%d页" % i)
url = 'http://m.maoyan.com/mmdb/comments/movie/1175253.json?_v_=yes&offset=' + str(i)
html = get_one_page(url)
for item in parse_one_page(html):
with open('爱情公寓.txt','a',encoding='utf-8') as f:
f.write(item['date'] + ','+item['nickname'] +','+item['city'] +','
+str(item['rate']) +',' +item['conment']+' ')
#time.sleep(random.randint(1,100)/20)
time.sleep(2)
#去重重复的评论内容
def delete_repeat(old,new):
oldfile = open(old,'r',encoding='utf-8')
newfile = open(new,'w',encoding='utf-8')
content_list = oldfile.readlines() #获取所有评论数据集
content_alread = [] #存储去重后的评论数据集
for line in content_list:
if line not in content_alread:
newfile.write(line+' ')
content_alread.append(line)
if __name__ == '__main__':
save_to_txt()
delete_repeat(r'爱情公寓_old.txt',r'爱情公寓_new.txt')
02：数据分析可视化
我们将用 Python 的两个模块 Pandas 与 pyecharts：
pyecharts 是一个用于生成 Echarts 图表的类库。Echarts 是百度开源的一个数据可视化 JS 库。用 Echarts 生成的图可视化效果非常棒，pyecharts 是为了与 Python 进行对接，方便在 Python 中直接使用数据生成图。（详情请看：http://pyecharts.org/）
Pandas 是基于 NumPy 的一个非常好用的库，正如名字一样，人见人爱。之所以如此，就在于不论是读取、处理数据，用它都非常简单。Pandas 有两种自己独有的基本数据结构。要使用 pandas，首先就得熟悉它的两个主要数据结构：Series 和 DataFrame。其中 Series 的性质和 Python 中原生的 dict 差不多，一个 key 对应一个 vaule，而且 key 必须是唯一的；DataFrame(以下简称 df)的性质则和 SQL 中的 table 差不多（详情请看：http://pandas.pydata.org/）。
真可谓电影界的“拼多多”。
我们把城市打分情况投射到地图中，可以看出：
在热力图中，白银、绵阳、遵义等三四线城市热度相对高点，也可看出随着人们消费水平的升级，去电影院看电影是娱乐首选。在满足普通人民精神娱乐需求方面，但也不能挂羊头卖狗肉，电影内容和《爱情公寓》故事主线毫无关系。这难道不是电影界的拼多多么？
在学习中有迷茫不知如何学习的朋友小编推荐一个学Python的学习裙[663033228]无论你是大牛还是小白，是想转行还是想入行都可以来了解一起进步一起学习！裙内有开发工具，很多干货和技术资料分享！
评分清一色，均为 3 星级
图为主要城市的评论数量与打分情况：
由图中可看出，各大城市观众打分均为 3 星级左右，这与猫眼评分 6.6 基本吻合；打出最高分与最低分分别是哈尔滨与中山。同时也能看出，一二线城市观众对此很失望。
有些人的良心被狗吃了？
看过了评分，我们看一下评论生成的词云图：
由词云图可以看出，爱情公寓、盗墓电影二词显目在列，整部电影就 30 秒和《爱情公寓》有关，所谓的集齐原班人马回归也只是个幌子，《爱情公寓》大电影完全是一部盗墓笔记，真正毁了《爱情公寓》这个 IP，也毁了《盗墓笔记》这个 IP。
但即便是在这样观众一致认为彻底失望的情况之下，依然有一波忠实的『粉丝们』坚守阵地。他们的手中依然紧握着情怀牌，打分也是一水的五星。
对于这些水军以及说《爱情公寓》好看的人，大家可以绝交了；作为观众，任何的关注都是助长《爱情公寓》的嚣张气焰，我们也有责任自发抵制烂片，决不让诈骗电影多赚一分钱。
以上信息具体代码为：
from wordcloud import WordCloud,STOPWORDS
import pandas as pd
import jieba
import matplotlib.pyplot as plt
#import seaborn as sns
from pyecharts import Geo,Style,Line,Bar,Overlap
f = open('爱情公寓_new.txt',encoding='utf-8')
data = pd.read_csv(f,sep=',',header=None,encoding='utf-8',names=['date','nickname','city','rate','comment'])
city = data.groupby(['city'])
rate_group = city['rate']
city_com = city['rate'].agg(['mean','count'])
#print(city_com)
city_com.reset_index(inplace=True)
city_com['mean'] = round(city_com['mean'],2)
#热力图分析
data_map = [(city_com['city'][i],city_com['count'][i]) for i in range(0,city_com.shape[0])]
#print(data_map)
style = Style(title_color="#fff",title_pos = "center",
width = 1200,height = 600,background_color = "#404a59")
geo = Geo("《爱情公墓》粉丝人群地理位置","数据来源：恋习Python",**style.init_style)
while True:
try:
attr,val = geo.cast(data_map)
geo.add("",attr,val,visual_range=[0,20],
visual_text_color="#fff",symbol_size=20,
is_visualmap=True,is_piecewise=True,
visual_split_number=4)
except ValueError as e:
e = str(e)
e = e.split("No coordinate is specified for ")[1]#获取不支持的城市名
for i in range(0,len(data_map)):
if e in data_map[i]:
data_map.pop[i]
break
else:
break
geo.render('爱情公墓.html')
#折线+柱图分析
city_main = city_com.sort_values('count',ascending=False)[0:20]
#print(city_main)
attr = city_main['city']
v1 = city_main['count']
v2 = city_main['mean']
#print(attr,v1,v2)
line = Line("主要城市评分")
line.add("城市",attr,v2,is_stack=True,xaxis_rotate=30,yaxix_min=4.2,
mark_point=['min','max'],xaxis_interval=0,line_color='lightblue',
line_width=4,mark_point_textcolor='black',mark_point_color='lightblue',
is_splitline_show=False)
bar = Bar("主要城市评论数")
bar.add("城市",attr,v1,is_stack=True,xaxis_rotate=30,yaxix_min=4.2,
xaxis_interval=0,is_splitline_show=False)
overlap = Overlap()
overlap.add(bar)
overlap.add(line,yaxis_index=1,is_add_yaxis=True)
overlap.render('主要城市评论数_平均分.html')
#词云分析
#分词
comment = jieba.cut(str(data['comment']),cut_all=False)
wl_space_split = " ".join(comment)
#导入背景图
backgroud_Image = plt.imread('lan.jpg')
stopwords = STOPWORDS.copy()
#print("STOPWORDS.copy()",help(STOPWORDS.copy()))
wc = WordCloud(width=1024,height=768,background_color='white',
mask=backgroud_Image,font_path="C:simhei.ttf",
stopwords=stopwords,max_font_size=400,
random_state=50)
wc.generate_from_text(wl_space_split)
plt.imshow(wc)
plt.axis('off')#不显示坐标轴
plt.show()
wc.to_file(r'laji.jpg')
最后，作为《爱情公寓》之前的铁粉，只想评价一个字：烂。
烂在哪里？并不是烂在盗墓剧情，也不烂在演员特效。烂在它消费粉丝热情和爱戴，玩弄观众。
2.4 分我想更多是对韦正和汪远的评价。为了赚钱，上映前吹嘘夸大，不设点映；为了赚钱，宣传片预告片 MV 大量回忆杀，关谷展博无限出镜；为了赚钱，藏着掖着不见光不露脸，以 9.9 分的保票“催”着粉丝买预售票。上映第一天 3 亿。赚的盆满钵满。
反过来看观众，哭着脸走出影院的，多数是被结尾彩蛋感动，彩蛋才真正传达了“爱情公寓精神”。主演们对着镜头的自白，说出了我们最想听到的几段话，才真正唤起了我们脑海里对爱情公寓的美好回忆。
电影结尾的彩蛋，小姨妈呼唤关谷的那一段，算是爱情公寓最感人的地方了吧。
但是，一个彩蛋真的配 3 亿票房吗？
用近乎做作的犹抱琵琶半遮面的营销手段，让大家对它憧憬，希望它能给我们的记忆画上一个圆满的句号，可却用一部近乎玩笑的垃圾影片嘲笑我们对它的喜爱。
打着情怀的旗号，将一个个剧版粉丝骗进电影院，将电影票钱装进自己的腰包。
这就是它最烂的地方。
网友评论