作者 | 徐麟

本文授权转载自公众号数据森麟（ID:shujusenlin）

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：

tomato = pd.DataFrame(columns=['date','score','city','comment','nick'])
for i in range(0, 1000):
    j = random.randint(1,1000)
    print(str(i)+' '+str(j))
    try:
        time.sleep(2) 
        url= 'http://m.maoyan.com/mmdb/comments/movie/1212592.json?_v_=yes&offset=' + str(j)
        html = requests.get(url=url).content
        data = json.loads(html.decode('utf-8'))['cmts']
        for item in data:
            tomato = tomato.append({'date':item['time'].split(' ')[0],'city':item['cityName'],
                                    'score':item['score'],'comment':item['content'],
                                    'nick':item['nick']},ignore_index=True)
        tomato.to_csv('西虹市首富4.csv',index=False)                           
   except:
        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：

tomato_com = pd.read_excel('西虹市首富.xlsx')
grouped=tomato_com.groupby(['city'])
grouped_pct=grouped['score'] #tip_pct列
city_com = grouped_pct.agg(['mean','count'])
city_com.reset_index(inplace=True)
city_com['mean'] = round(city_com['mean'],2)
data=[(city_com['city'][i],city_com['count'][i]) for i in range(0,
      city_com.shape[0])]
geo = Geo('《西虹市首富》全国热力图', title_color="#fff",
         title_pos="center", width=1200,
         height=600, background_color='#404a59')
attr, value = geo.cast(data)
geo.add("", attr, value, type="heatmap", visual_range=[0, 200],visual_text_color="#fff",
       symbol_size=10, is_visualmap=True,is_roam=False)
geo.render('西虹市首富全国热力图.html')

折线图+柱形图组合：

city_main = city_com.sort_values('count',ascending=False)[0:20]
attr = city_main['city']
v1=city_main['count']
v2=city_main['mean']
line = Line("主要城市评分")
line.add("城市", attr, v2, is_stack=True,xaxis_rotate=30,yaxis_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,yaxis_min=4.2,
        xaxis_interval =0,is_splitline_show=False)
overlap = Overlap()
# 默认不新增 x y 轴，并且 x y 轴的索引都为 0
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：

tomato_str =  ' '.join(tomato_com['comment'])
words_list = []
word_generator = jieba.cut_for_search(tomato_str) 
for word in word_generator:
   words_list.append(word)
words_list = [k for k in words_list if len(k)>1]
back_color = imread('西红柿.jpg')  # 解析该图片
wc = WordCloud(background_color='white',  # 背景颜色
              max_words=200,  # 最大词数
              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
              max_font_size=300,  # 显示字体的最大值
              stopwords=STOPWORDS.add('苟利国'),  # 使用内置的屏蔽词，再添加'苟利国'
              font_path="C:/Windows/Fonts/STFANGSO.ttf", 
              random_state=42,  # 为每个词返回一个PIL颜色
              # width=1000,  # 图片的宽
              # height=860  #图片的长
              )
tomato_count = Counter(words_list)
wc.generate_from_frequencies(tomato_count)
# 基于彩色图像生成相应彩色
image_colors = ImageColorGenerator(back_color)
# 绘制词云
plt.figure()
plt.imshow(wc.recolor(color_func=image_colors))
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。

徐麟，知乎同名专栏作者，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）

_“ 征稿啦_”

CSDN 公众号秉持着「与千万技术人共成长」理念，不仅以「极客头条」、「畅言」栏目在第一时间以技术人的独特视角描述技术人关心的行业焦点事件，更有「技术头条」专栏，深度解读行业内的热门技术与场景应用，让所有的开发者紧跟技术潮流，保持警醒的技术嗅觉，对行业趋势、技术有更为全面的认知。

如果你有优质的文章，或是行业热点事件、技术趋势的真知灼见，或是深度的应用实践、场景方案等的新见解，欢迎联系 CSDN 投稿，联系方式：微信（guorui_1118，请备注投稿+姓名+公司职位），邮箱（guorui@csdn.net）。

————— 推荐阅读 —————