- 综合排序
- 最热优先
- 最新优先
- 来自专栏大数据杂谈
Python 爬虫实践：《战狼2》豆瓣影评分析
前几天看了《战狼2》，发现它在最新上映的电影里面是排行第一的，如下图所示。准备把豆瓣上对它的影评做一个分析。 ? 例如《战狼2》的短评网址为：https://movie.douban.com/subject/26363254/comments? eachCommentList.append(item.find_all('p')[0].string) 使用print(eachCommentList)查看eachCommentList列表中的内容，可以看到里面存里我们想要的影评 上图基本反映了《战狼2》这部电影的情况。
85850发布于 2018-06-11 - 来自专栏北京马哥教育
Python 爬虫实践：《战狼2》豆瓣影评分析
前几天看了《战狼2》，发现它在最新上映的电影里面是排行第一的，如下图所示。准备把豆瓣上对它的影评做一个分析。 例如《战狼2》的短评网址为：https://movie.douban.com/subject/26363254/comments? eachCommentList.append(item.find_all('p')[0].string) 使用print(eachCommentList)查看eachCommentList列表中的内容，可以看到里面存里我们想要的影评 wordcloud=wordcloud.fit_words(word_frequence_list) plt.imshow(wordcloud) #主函数 main() 结果显示如下： 上图基本反映了《战狼2》
1.3K40发布于 2018-05-02 - 来自专栏数据分析与挖掘
IMDB影评数据集预处理(使用word2vec)
unlabeledTrain=[line.strip().split("\t") for line in fp.readlines() if len(line.strip().split("\t"))==2] 将影评中的所有特殊字符替换为“ ”,并且全部转换为小写 def cleanReview(subject): # 数据处理函数 beau = BeautifulSoup(subject) class gensim.models.word2vec.Word2Vec(sentences=None, corpus_file=None, size=100, alpha=0.025, window 2) size：词向量的维度，默认值是100。这个维度的取值一般与我们的语料的大小相关，如果是不大的语料，比如小于100M的文本语料，则使用默认值一般就可以了。 4) sg：即我们的word2vec两个模型的选择了。如果是0， 则是CBOW模型；是1则是Skip-Gram模型；默认是0即CBOW模型。
2.2K20发布于 2020-08-26 - 来自专栏程序萌部落
重写Hexo豆瓣影评插件
，长影评是另外的部分 构造的页面目录较深，和博客其他部分关联度不够 主题兼容性问题，valine部分的缺失 移动端界面不适配/合适 对应的应对措施： 砍掉多余部分 适当的美化了CSS 设置拉取列表的长度控制 ： 原项目固有特性； 重构模板页面，支持移动适配； 补全列表影评内容，支持短评和长影评（核心）； 支持生成指定长度的列表（对于观影数量较多的用户）； 样式inline化，允许直接嵌入同源其他页面；<div user: ID（数字或字幕|无需引号） builtin: true movie: title: '生成页面的标题' quote: '生成页面的内容的导语' length: 2 length: 默认值为2，非页数，可以自由尝试（建议取值:2-4）。 测试 执行 hexo clean && hexo generate && hexo server，之后访问 localhost:4000/movies 即可访问生成的影评页面。
1K00发布于 2020-12-22 - 来自专栏软件研发
IMDB影评数据集入门
IMDB影评数据集入门在自然语言处理（NLP）领域中，IMDB影评数据集是一个非常流行的数据集，它包含了来自IMDB网站的电影影评，其中包括了正面评价和负面评价。 ，解压后我们可以得到一个名为 IMDB Dataset.csv 的文件，该文件包含了50,000条电影影评以及每条影评的正面或负面标签。 IMDB影评数据集是一个常用的情感分析数据集，它包含了大量的电影评论和对应的情感标签（正面或负面）。尽管IMDB影评数据集在情感分析任务上非常有价值，但它也有一些缺点。 以下是IMDB影评数据集的一些缺点以及类似数据集的介绍：标签质量问题：IMDB影评数据集的情感标签由人工标注，因此存在标签质量可能不一致的问题。 类似于IMDB影评数据集的其他情感分析数据集包括：Amazon电影评论数据集：这个数据集与IMDB类似，包含大量的电影评论和情感标签。
3.6K30编辑于 2023-10-19 - 来自专栏机器学习/数据可视化
深度学习实战-电影评论分类
第一个深度学习实战案例：电影评论分类 开始深度学习的内容，本文是《Python深度学习》一书中的实战案例：电影评论的二分类问题。 训练集和测试集 这是一个典型的二分类问题。 25000条，测试也是25000条 In [1]: import pandas as pd import numpy as np from keras.datasets import imdb In [2] 7]: 9999 数据还原 将数值还原到对应的评论中 In [8]: # 步骤1：单词和数值组成的字典 word_index = imdb.get_word_index() In [9]: # 步骤2: 10000, ))) # 隐藏层1 model.add(tf.keras.layers.Dense(16, activation="relu")) # 隐藏层2 ==========] - 5s 142ms/step - loss: 0.5198 - acc: 0.7864 - val_loss: 0.4005 - val_acc: 0.8677 Epoch 2/
38510编辑于 2023-08-23 - 来自专栏python学习指南
Python爬虫(二十)_动态爬取影评信息
if isRelease: ''' isRelease:0 很长时间都不会上映的电影；1 已经上映的电影； 2 __parser_no_release(page_url, value, isRelease = 2)) return self. __parser_no_release(page_url, value, isRelease = 2) else: #解析还有很长时间才能上映的电影 = SpiderMain() spier.crawl('http://theater.mtime.com/China_Jiangsu_Province_Nanjing/') 参考： 爬取时光网影评
1.2K90发布于 2018-01-17 - 来自专栏量化小白上分记
爬来爬去（一）：《蚁人2》豆瓣影评爬虫+简单情感分析+词云
今天是《蚁人2》国内上映的第19天，作为练手，打算把豆瓣上的短评爬下来作为分析的素材。 ? 豆瓣上的影评分两种，一种是长篇大论的影评，还有一种是短评，类似上图中，这次爬虫的目标就是上图中红色框线中的短评，信息包括用户名，星级评价，日期，有用数，评论正文，虽说主页显示45576条，但其实可见的只有 /h3/span[2]/span[2]").get_attribute('title')) articles['date'] = articles.web.apply(lambda x: AllArticle = AllArticle.reset_index(drop = True) return AllArticle 调用以上两个函数爬取数据，其实对于豆瓣上别的电影影评 2. 文本分析 描述统计分析 首先看一看拿到的样本中各星级评价的分布情况，None表示没有星级评价。 ? ? 整体来看，三星四星评价巨多，说明大家对于蚁人2整体评价还不错。
1.3K20发布于 2019-08-29 - 来自专栏毛利学Python
回顾——keras电影评价预测
学习一时爽，一直学习一直爽 回顾以前的笔记 （于3月份记录的） 在keras中，内置了imdb电影评分数据集，来进行评价预测 安装keras conda install keras conda就帮依赖全部搞定
83430发布于 2019-10-12 - 来自专栏ReganYue's Blog
【爬虫】豆瓣影评爬虫使用教程
1.本爬虫需要填写你的cookies,下面讲诉如何获取cookies： 2.需要安装editcookies，安装完后打开豆瓣电影网站，然后点击editthecookies插件，复制gr_user_id 4.获取电影id的方法：打开电影简介，然后查看网址，下面圈出的部分就是电影id； 5.然后就爬取了影评，保存在csv文件中。
2.1K30发布于 2021-09-16 - 来自专栏一英里广度一英寸深度的学习
SparkSQL 电影评价数据分析
approximately 3,900 movies made by 6,040 MovieLens users who joined MovieLens in 2000. 2000年，100万条电影评价数据集 line.split("::"); return new User(Long.parseLong(arr[0]), arr[1],Integer.parseInt(arr[2] F| 232| | 1| F| 209| | 1| M| 319| | 2| M| 176| | 2| F| 91| | 3| F| 100| | 3 6| 102| 134| | 5| 31| 81| | 4| 234| 525| | 3| 100| 73| | 2|
1.2K30发布于 2018-09-12 - 来自专栏若城技术专栏
Python selenium爬取影评生成词云图
使用双线性差值算法平滑显示 plt.axis('off') # 不显示坐标轴 plt.show() # 显示图像 字体素材 链接: https://pan.baidu.com/s/1-nXL9-8NRbWPd2m4AGOUNw off') # 不显示坐标轴 plt.show() # 显示图像 字体素材 链接: https://pan.baidu.com/s/1-nXL9-8NRbWPd2m4AGOUNw 提取码: esf2
56910编辑于 2024-02-29 - 来自专栏数据科学和人工智能
数据集 | IMDB电影评论数据集
下载数据集请登录爱数科(www.idatascience.cn) 本数据集为由斯坦福大学发布的IMDB电影评论数据集，包含25000条英文的电影评论及其情感标签，可用于情感分析任务。 1. 字段描述 2. 数据预览 3. 字段诊断信息 4. 数据来源 http://ai.stanford.edu/~amaas/data/sentiment/
1.6K30编辑于 2022-03-30 - 来自专栏AI 算法笔记
Python登录豆瓣并爬取影评
而豆瓣口碑一直不错，有些书或者电影的推荐都很不错，所以我们今天来爬取下豆瓣的影评，然后生成词云，看看效果如何吧！ 二、功能描述 我们使用requests库登录豆瓣，然后爬取影评，最后生成词云！ 2.代码实现登录豆瓣 得到登录请求URL和参数后，我们就可以来用requests库来写一个登录功能！ ? 然后下拉找到影评，调出调试窗口，找到加载影评的URL ? 2.爬取一条影评数据 ? 但是爬取下来的是一个HTML网页数据，我们需要将影评数据提取出来 ? 3.影评内容提取 上图中我们可以看到爬取返回的是html，而影评数据便是嵌套在html标签中，如何提取影评内容呢？ 1.使用结巴分词 因为我们下载的影评是一段一段的文字，而我们做的词云是统计单词出现的次数，所以需要先分词！ ? 2.使用词云分析 ? 最终成果： ?
1.9K20发布于 2019-08-16 - 来自专栏云深之无迹
AI崩坏 AI崩壊 (2020)影评
其实说了AI崩坏,到不如说是人的崩坏.就是有一对夫妇,是搞深度学习的.收集很多指标,来辅助植物体生长.然后女友说,那植物ojbk了!是不是人类基因也ojbk了?然后男主,嗯嗯啊啊啊啊啊,你说对.
71310发布于 2021-04-14 - 来自专栏Michael阿明学习之路
电影评分
题目 2. 解题 1. 查找在 2020 年 2 月 平均评分最高 的电影名称。 如果出现平局，返回字典序较小的电影名称。 | | 2 | 2 | 2 | 2020-02-01 | | 2 | 3 | 2 Frozen 2 和 Joker 在 2 月的评分都是 3.5， 但是 Frozen 2 的字典序比较小。 2.
53020发布于 2021-02-19 - 来自专栏小红豆的数据分析
《超神学院》《雄兵连》影评
每一个时代都有它独特的记忆风景。我不能说我青春的回忆就是英雄联盟，一是我的青春还未逝去，二是那样说也显得我的记忆太过苍白。可我永远也无法忘记和室友们一起去开黑的日子。
1.7K30发布于 2018-10-10 - 来自专栏Python自动化测试
豆瓣电影评分数据分析
movies)) titleRates=[] for rate in rates: titleRates.append(int(float(rate))) bar=Bar('豆瓣电影评分数据分析
1.6K20发布于 2018-12-25 - 来自专栏Python中文社区
《战狼Ⅱ》豆瓣十二万影评浅析
2017年8月11日凌晨，《战狼2》票房（含服务费）突破40亿元，打破《美人鱼》此前创下的33.92亿元记录，打破国产电影历史最高票房纪录。 电影上映过后，大家褒贬不一。 这个是影评的起始页：豆瓣影评 以下是Python爬虫的代码: ? 以上代码注意设置你自己的User-Agent，Cookie，CSV保存路径等。 爬取的内容保存成CSV格式的文件。 五角星的个数对应5个等级，5颗星代表力荐，4颗星代表推荐，3颗星代表还行，2颗星代表较差，1颗星代表很差。通过五角星的评论显而易见。我们有理由相信绝大部分观看者对这部影片持满意态度。 2.推荐的评论人的评论云图 ? 3.还行的评论人的评论云图 ? 4.较差的评论人的评论云图 ? 5.很差的评论人的评论云图 ? 结论： 从不同的评论的分词结果来看，他们都有一个共同的话题：爱国。
78170发布于 2018-02-01 - 来自专栏陶陶计算机
NLP项目实战01--电影评论分类
具体而言，我们将关注情感分析任务，即通过分析电影评论的情感来判断评论是正面的、负面的。 展示： 训练展示如下： 实际使用如下： 实现方式： 选择PyTorch作为深度学习框架，使用电影评论IMDB数据集，并结合torchtext对数据进行预处理。 torchdata==0.7.1 torchtext==0.9.2 torchvision==0.9.2+cu102 实现思路： 1、数据集 本次使用的是IMDB数据集，IMDB是一个含有50000条关于电影评论的数据集 def forward(self,x): embedded = self.embedding(x) embedded = embedded.permute(1,0,2) pooled = F.avg_pool2d(embedded, (embedded.shape1, 1)).squeeze(1) pooled = self.relu
72610编辑于 2023-12-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号