用Python分析“女神大会”,码农很想娶的女星竟然是......

开发 后端 开发工具 数据分析
笔者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。

 笔者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。

[[252761]]

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:

  1. import json 
  2. import requests 
  3. from bs4 import BeautifulSoup 
  4. import pandas as pd 
  5. import re 
  6. import os 
  7. os.chdir('D:/爬虫/女神'
  8.  
  9. id_list = [] 
  10. title_list = [] 
  11. pic_list = [] 
  12. date_list=[] 
  13.  
  14. for 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:

  1. prev_title_list = [] 
  2. score_list=[] 
  3. count_list=[] 
  4. for 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 ***5 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***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***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:

看完了各个区域 ***0 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***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。

***,小编突发奇想,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:

出乎小编意料的是,在小编一周中最开心的三天周四(即将放假),周五(迎接放假),周六(享受放假)的三天中出场的女神评分反而偏低,或许是由于数据量偏少,未来随着期数的增加,小编也会密切关注这点。

作者:徐麟

简介: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。

责任编辑:武晓燕 来源: 数据森麟
相关推荐

2022-08-02 18:39:19

linux

2022-07-07 19:44:22

Python 3.1

2020-09-29 06:45:49

JDK

2015-06-18 11:04:58

2021-07-28 06:51:08

Nacos代理模式

2020-12-15 08:05:40

路由器服务器网络层

2021-10-18 13:42:52

加密货币金融工具

2018-06-14 14:23:38

Python比赛冠军

2018-07-06 00:09:47

2023-03-13 08:09:03

Protobuffeature分割

2020-10-20 17:18:00

戴尔

2021-08-28 10:15:26

项目结构Flask

2020-08-19 09:23:10

传输网络WDM网络技术

2018-11-28 09:14:41

交换机网络安防

2023-10-25 15:11:15

Java

2019-12-24 11:00:51

NVMeSSDSATA

2018-07-16 09:12:00

程序员奇葩开发

2017-06-02 10:57:29

Android内存泄漏Dialog

2020-12-29 05:39:44

日志服务环境
点赞
收藏

51CTO技术栈公众号