縱觀近幾年的國産電影市場，“開心麻花“似乎已經成為了票房的保證。從《夏洛特煩惱》、《羞羞的鐵拳》到最新上映的《西虹市首富》都引爆了票房。本期我們會根據從貓眼電影網爬取到的上萬條評論為你解讀《西虹市首富》是否值得一看。
資料爬取：
此次資料爬取我們參考了之前其他文章中對于貓眼資料的爬取方法，調用其接口，每次取出部分資料并進行去重，最終得到上萬條評論，代碼如下：
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
資料分析：
我們看一下所得到的資料：
資料中我們可以得到使用者的昵稱，友善後面進行去重。後面的部分主要圍繞評分、城市、評論展開。
首先看一下，評論分布熱力圖：
京津翼、江浙滬、珠三角等在各種榜單長期霸榜單的區域，在熱力圖中，依然占據着重要地位。同時，我們看到東三省和四川、重慶所在區域也有着十分高的熱度，這也與沈騰自身東北人&四川女婿的身份不謀而合（以上純屬巧合，切勿較真）。
下面我們要看的是主要城市的評論數量與打分情況：
打出最高分4.77分的正是沈騰家鄉的省會城市哈爾濱（沈騰出生于黑龍江齊齊哈爾），看來沈騰在黑龍江還是被廣大父老鄉親所認可的。最低分和次低分來自于合肥和鄭州，今後的開心麻花可以考慮引入加強在中部地區的宣傳。
我們按照打分從高到底對城市進行排序：
在評論數量最多的二十個城市中，評分前七名的城市中東北獨占四席，而分數相對較低的城市中武漢、合肥、鄭州都屬于中部地區，可見不同地區的觀衆對影評的認可程度有着一定差異。
我們把城市打分情況投射到地圖中：（紅色表示打分較高，藍色表示較低）
進一步，我們把城市劃分為評分較高和較低兩部分
較高區域：
較低區域：
可以看到對于“蕃茄”，南北方觀衆的評價存在一定差異，這與每年春晚各個地區收視率似乎有一些吻合知乎。沈騰本身也是春晚的常客，電影中自然會帶一些“春晚獨幕喜劇味”，這似乎可以一定程度上解釋我們得到的結果。
看過了評分，我們看一下評論生成的詞雲圖，以下分别是原圖和據此繪制的詞雲圖：
不知道大家的想法如何，至少在我看到了這樣的詞雲，搞笑、笑點、值得、開心、不錯，甚至是哈哈都會激起我強烈的看片欲望。同時，沈騰也被大家反複提起多次，可以預見其在片中有着非常不錯的表演，也會一定程度上激發大家看片的欲望。
部分代碼展示
熱力圖：
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》全國熱力圖', 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('西虹市首富全國熱力圖.html')
折線圖+柱形圖組合：
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("主要城市評分")
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("主要城市評論數")
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()
# 預設不新增 x y 軸，并且 x y 軸的索引都為 0
overlap.add(bar)
overlap.add(line, yaxis_index=1, is_add_yaxis=True)
overlap.render('主要城市評論數_平均分.html')
詞雲：
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('蕃茄.jpg') # 解析該圖檔
wc = WordCloud(background_color='white', # 背景顔色
max_words=200, # 最大詞數
mask=back_color, # 以該參數值作圖繪制詞雲，這個參數不為空時，width和height會被忽略
max_font_size=300, # 顯示字型的最大值
stopwords=STOPWORDS.add('苟利國'), # 使用内置的屏蔽詞，再添加'苟利國'
font_path="C:/Windows/Fonts/STFANGSO.ttf",
random_state=42, # 為每個詞傳回一個PIL顔色
# width=1000, # 圖檔的寬
# height=860 #圖檔的長
)
tomato_count = Counter(words_list)
wc.generate_from_frequencies(tomato_count)
# 基于彩色圖像生成相應彩色
image_colors = ImageColorGenerator(back_color)
# 繪制詞雲
plt.figure()
plt.imshow(wc.recolor(color_func=image_colors))
plt.axis('off')
票房預估：
最後我們來大膽預估下《西虹市首富》的票房，我們日常在工作中會選取标杆來對一些即将發生的事情進行預估。這次我們選擇的标杆就是《羞羞的鐵拳》：
基于以下幾點我們選擇《羞羞的鐵拳》作為标杆：
均是開心麻花出品、題材相似
演員陣容重合度高
豆瓣粉絲認可程度相似（評分均為6.9，處于喜劇片中位數水準）
貓眼粉絲認可程度相似（鐵拳評分9.1,蕃茄評分9.3）
我們看一下兩部影片前三天的走勢：
前三天兩部片子的票房走勢十分相似，基于之前我們的平均，我們可以嘗試性（比随機準一點）預測一下“蕃茄”最終的票房。“蕃茄”票房預測值≈“鐵拳”總票房/“鐵拳”前三天票房“蕃茄”前三天票房=22.13/5.258.62≈36，考慮到鐵拳上映是在國慶假期，蕃茄的票房預估需要相應的下調。
綜上所述，我們給出30億票房的預估。
原文釋出時間為：2018-07-30
本文作者：徐麟
本文來自雲栖社群合作夥伴“
Python愛好者社群”，了解相關資訊可以關注“
”