关于数据挖掘:豆瓣评论数据集分享脱口秀大会5

置信很多做自然语言解决、数据分析的小伙伴们都接触过 豆瓣评论数据集。

最近 《脱口秀大会 5》 比拟火，所以我就抓去了一份《脱 5》的豆瓣短评数据集，样例如下表所示：

{
  "comment_time": "2022-11-02 22:37:41", 
  "comment_score": "很差", 
  "comment_vote": "21", 
  "comment_content": "\" 不敢说所有，至多有一部分人初心变了。不好笑不要赖观众，心理都放在稿子和段子上了吗，那广告接得，秀走得，不好笑也失常啊。\"","comment_username":" 江湖谝子 "
}

• 其中，comment_score示意豆瓣评分，总共五颗星，对应总分为 10 分。每一颗星对应 2 分。
  不同星数对应的中文形容为：

  {
  '力荐': 5, 
  '举荐': 4, 
  '还行': 3, 
  '较差': 2, 
  '很差': 1
  }

• comment_vote 代表的是有多少人同意这条短评。

其实，豆瓣网站有严格的数据获取限度，用户仅仅能拜访最热门的短评数据集共计 600 条。而后再进行翻页，网站零碎则会禁止。

同时豆瓣也仅提供 200 条最新的短评。依据这些数据，我做了一个加权统计，《脱 5》的豆瓣加权平均分仅仅有 3.3 分。口碑大大滑坡。

我还对《脱 5》的豆瓣评论做了具体的数据分析，感兴趣能够看看。数据集以 json 格局给出。有须要的小伙伴能够关注上面公众号自取。

步骤如下：

• 1 关注微信 gong—zhong 号 JioNLP
• 2 回复【脱口秀大会 5】获取下载链接
• 3 该数据集是收费的

如何在程序中加载

如果有编程教训，能够用 python 进行操作

• 1 装置 jionlp 工具包

  $ pip install jionlp

• 2 编写以下代码执行

  import jionlp as jio
  comment_list = jio.read_file_by_line(/path/to/short_comment_has_watched_highest_tuokouxiudahui5.txt)  # 解压后替换为下载门路

数据将定期更新，将来也会依据国务院的行政区划调整进行从新抓取。

我曾经把数据集公开出来，能够扫码关注 微信 gong—zong 号 JioNLP，回复 脱口秀大会 5 获取。

JioNLP 是一个专一开掘并剖析互联网数据的 gong—zhong 号，还想要什么数据集？来看看这里有没有你想要的数据吧。

本文由 mdnice 多平台公布

本文由 mdnice 多平台公布