在B站外，我看到了另一批“后浪”！

昨天5.4青年节&＃xff0c;朋友圈已经被《后浪》刷屏&＃xff0c;相信大部分人都看过了小破站献给新一代的演讲&＃xff08;商业片&＃xff09;。

习惯性地打开了微博和知乎&＃xff0c;想看一下别人的看法&＃xff0c;想知道我是不是有些颓废而与这个社会格格不入&＃xff1f;

当我打开了微博和知乎&＃xff0c;我才发现《后浪》翻车了&＃xff0c;原来我们都一样&＃xff0c;都很难再感受到《后浪》中的激情和理想。在这里看着大家的评论和回答&＃xff0c;就好像在看着自己过得生活&＃xff0c;评论和回答太多&＃xff0c;所以就直接爬了下来&＃xff0c;然后上班的时候慢慢地看。

爬取的地址分别为&＃xff1a;

• 知乎回答&＃xff1a;如何评价 B 站 2020 年五四青年节宣传短片《后浪》&＃xff1f;

• 人民日报微博“奔涌吧&＃xff0c;后浪&＃xff01;这是#献给年轻一代的演讲#”下评论

• bilibili献给新一代的演讲《后浪》弹幕

微博和b站的代码参见我之前的文章&＃xff0c;知乎的话以后再详细讲解。

作为一名数据分析师就习惯把手头的数据分析一下&＃xff0c;所以也就拿这些数据简单的进行了一下分析。

评论情感倾向

先调用百度AI来分析微博和b站的评论情感倾向。

知乎的回答字数过多&＃xff0c;做情感分析肯定不准确&＃xff0c;就没做分析。

from aip import AipNlp
""" 你的 APPID AK SK """
APP_ID &＃61; &＃39;你的APP_ID&＃39;
API_KEY &＃61; &＃39;你的API_KEY&＃39;
SECRET_KEY &＃61; &＃39;你的SECRET_KEY &＃39;
client &＃61; AipNlp(APP_ID, API_KEY, SECRET_KEY)
text &＃61; "XXXXXXXX"
""" 调用词法分析 """
response &＃61; client.sentimentClassify(text)
# "sentiment":2,    //表示情感极性分类结果  0:负向&＃xff0c;1:中性&＃xff0c;2:正向
# "confidence":0.40, //表示分类的置信度
# "positive_prob":0.73, //表示属于积极类别的概率
# "negative_prob":0.27  //表示属于消极类别的概率
for info in response[&＃39;items&＃39;]:if info [&＃39;sentiment&＃39;] &＃61;&＃61; 2:print("正向")if info [&＃39;sentiment&＃39;] &＃61;&＃61; 0:print("负向")if info[&＃39;sentiment&＃39;] &＃61;&＃61; 1:print("中性")print("可信度&＃xff1a;",info[&＃39;confidence&＃39;])print("属于积极类别的概率是&＃xff1a;",info[&＃39;positive_prob&＃39;])print("属于消极类别的概率是&＃xff1a;",info[&＃39;negative_prob&＃39;])


需要注意的是&＃xff0c;在各个平台评论最多的“奔涌吧&＃xff0c;后浪&＃xff01;”&＃xff0c;在百度AI中是个消极句子&＃xff0c;需要特殊处理。

结果如下&＃xff1a;

非常明显&＃xff0c;b站的弹幕正向居多&＃xff0c;而微博的评论负向居多。

词云

通过上文的情感分析&＃xff0c;各家平台的用户对于《后浪》的态度各异&＃xff0c;他们又是如何评价的呢&＃xff1f;

统计评论和回答中的高频词&＃xff0c;制作词云看一下吧。