三十而已：又一部养活万千公众号的热剧
首先问一个问题：关于热播都市剧《三十而已》，到底有多少种解读方式？
随手翻了翻公众号发布的相关文章，我想答案是无数种。
从中年女性危机到成人社会潜规则，从顾佳的衣橱到王漫妮的“精致穷”，从学区房到婚姻的真相，从配乐到渣男图鉴再到高段位绿茶语录......
可以说这部剧从里到外、从上到下都充满了话题点，编剧深知如何打造人设才能让观众看得欲罢不能，产生极强的代入感，随便一个话题点都能分分钟狠狠戳中观众的痛点和痒点。
今天这篇文章，我想以腾讯视频剧集弹幕的角度，来挖一挖弹幕中的宝藏和那些大数据才能告诉我们的事儿。
数据说明
本次通过Python一共爬取了1到25集共计25集的弹幕数据，总计爬取到459159条弹幕，平均每集1.6w条（间隔30s抓取一次），字符数约550w。其中用户名非空的用户数为231931个，占比51%。
注：在腾讯视频每集开头展示的弹幕数远比爬取到的要大，比如第一集就有高达20万条弹幕条数！但爬取时发现每页大概200条，一共100页左右，推测每次返回的内容是随机的，但条数有限制，因此单集只能爬取到一万多条，不过这个量级也足够做数据分析使用了~
数据来源时间：2020年07月31日22:00
爬取的信息包括：
'用户名','内容','会员等级','评论时间点','评论点赞','评论id','集数'
在进一步分析前，首先对数据做简单的预处理。经观察，某些用户会重复发送同样内容的弹幕，按照每集同一用户对重复弹幕内容进行去重操作，得到数据条数为390547，是之前的85%，相当于有15%的弹幕内容是重复的，最终的分析基于这39w条数据进行。
每集弹幕点赞走势
统计每集弹幕的点赞数，发现从20集开始点赞总数和平均点赞数均明显变少，推测原因是越早之前的剧集累计观看人数越多，因此获赞量相应也越高，存在一部分观众属于延迟追剧的类型，等这部剧结束了估计后面几集的点赞量就上来了。从目前数据来看，点赞量在第3、11和17集迎来了若干个小高峰。
对第3、11和17集分别绘制词云图发现大家都在聊这些：
弹幕爱好者究竟有多狂热？
如前文所述，有将近一半的弹幕数据对应的用户名为空，为方便对用户维度进行分析，此处过滤掉用户名为空的弹幕数据，得到以下列表数据。
从表中可看出，在这25集中，排名第一的用户（用户名为“.”）一个人就贡献了高达1031条的弹幕量！真可谓人形弹幕发射器了！而且，像他这样的狂热弹幕爱好者，居然还不止一个......作为一个看剧从来不发弹幕的人，表示非常瑞思拜！
上榜的用户中，最少平均每集发送22条弹幕，最多可达到57条弹幕，其中“浮若年华”这位朋友，其发送的单条弹幕平均点赞量达到了惊人的145条，莫非是传说中的“金句王”？！
接下来，我们关注下这位TOP1用户在每一集中发送的弹幕数情况，平均值在41条，他在第3、5和14集表现得最为非常活跃。
那么问题来了，如此高产的他发送的弹幕究竟是什么样的内容呢？是纯灌水？走心？还是搞笑类？我们来看下他发过的高赞弹幕TOP10——
看起来很真情实感啊，说明他真的是在用心追剧了，好评！
顺便再看看平均点赞量达到145的那位朋友的高赞弹幕——
感觉是个王漫妮角色cos粉
除了总弹幕贡献TOP用户，我还做了一张平均每集发送弹幕数TOP10的用户图表：
这些用户的战斗力也非常强悍，一集发60多条弹幕，真厉害！不过平均点赞量就跟发送数量关系不太大了，排最后的用户平均点赞量过百，排名第一。
普通弹幕玩家的水准
看完狂热的弹幕爱好者的神操作，我们再来看看普通用户的行为吧。
从整体数据分析，单人弹幕发布条数分布如下图：
这个分布图看起来就正常多了，57%的用户在25集里只发过1条弹幕，发布5条以上的占比合计约15%，发布30条以上弹幕的用户数占比为1.9%。
再结合每位用户在这25集里发过弹幕的集数的分布：
整体来看，绝大多数用户只有某1集发送过弹幕，累积在5集或以上发送过弹幕的用户数占比非常小。
从弹幕长度分布来看，发布长度在7-20字之间是主流，占比达到7成，发布弹幕数在4个字（含字符）以下的仅占3.6%，说明凡是发送弹幕的用户，并不是惜字如金的类型，反而还挺乐意分享自己的观点和看法的，毕竟还有0.5%的弹幕长达30个字以上！
实际上，弹幕长度超过40的高赞内容里，有不少是因为重复使用标点符号带来的长度虚高，看来下次处理时应剔除掉特殊符号会更为准确。
最后，从观众的会员等级来看，绝大多数都是普通等级的用户。
高赞弹幕来袭！！！
筛选出每集点赞量TOP1的内容如下表：
结果令人震惊，尽管之前分析的发送总数TOP和平均发送数TOP用户各不相同，但高赞弹幕的发布人居然惊人的一致，从第1集到第15集，全部被这个名叫“追剧小奶鹅”的用户给承包了！顺便搜到这位用户的微博，简介写着“腾讯视频电视剧弹幕专业陪聊鹅”，话说这应该是腾讯视频的运营吧？
如果过滤掉这个用户发布的弹幕，再重新取每集点赞TOP1的弹幕如下：
弹幕视角主角情感倾向分析
要过滤出与各主角相关联的弹幕，必须根据关键词去定位内容。通过简单浏览与剧中主角相关的弹幕内容，整理出如下关键词词库，用以识别某条弹幕在议论谁。
特别声明：以上负面相关关键词仅针对角色，系从抓取到的弹幕内容中提取，不代表本人立场，也请勿上升演员本人（我的求生欲）
根据以上词库匹配到的数据如下：
结果让我有些惊讶，顾佳不是第一女主吗，为什么王漫妮的讨论度反而更高？另外，陈屿的讨论度也比许幻山要高。
仔细看弹幕会发现很多观众喜欢角色代入，发布诸如【王漫妮：原以为是非诚勿扰，没想到是变形计 】这类加入主角名前缀的弹幕文案，推测这是其中一个原因。我猜测可能的原因是：1）事实确实如此，2）弹幕数据不全，目前一集20w的弹幕量只爬取到10%不到，3）角色关键词提供的不充分；
进一步分集统计提及主角的弹幕数量如上图所示。
接下来，应用情感分析工具SnowNLP对主角相关弹幕内容进行情感评分，分数在从0到1的区间内，数字越大代表文本情感越正向。
SnowNLP是一个python写的类库，可以方便的处理中文文本内容，是受到了TextBlob的启发而写的，由于现在大部分的自然语言处理库基本都是针对英文的，而这个库可以方便地处理中文。
这个情感评分走势不知是否符合看过全剧的观众的预期呢？
弹幕观众对三位女主的喜好度：顾佳>王漫妮>钟晓芹
对三位男性角色的喜好度：许幻山>梁正贤>陈屿
毫无疑问风评最差的是剧中的小三角色林有有，来看看关于她的高赞弹幕——
我有理由怀疑林有有跟茶深度绑定了，这么喜欢说茶言茶语，一想到那只冰淇淋就觉得一阵恶心
许幻山在开局情感评分一度高达0.9，然而随着剧情的推移，评分逐步下降，尤其是后期出轨真令人生气，大家都盼着顾佳早日离婚呢！不过，令我意外的是他那条线居然始终在王漫妮的上方
于是我不由得怀疑起了这个评分工具的准确性，注意到在24集时，许幻山的评分突然高涨，定位一下这部分相关弹幕：
仔细看完内容和评分，我缓缓打出一堆问号？？？
emmm果然还是数据有问题，机器并不能做到像人去进行语义分析那样准确，何况这个工具之前貌似是在电商（如淘宝商品评价）里用的比较多，而且我也没有训练过相关数据集，造成整体评分结果可信度略低，总之，以上结果勉强可作参考。
一个小彩蛋
在分析过程中，我发现每到剧集快结束时，弹幕都会有讨论BGM的内容，出现最多的名字便是“金池”，原来这位姐姐几乎承包了这部剧的OST，真的好棒啊！
听到她的声音就想起了2012年第一季《中国好声音》，那首惊艳四座的《夜夜夜夜》，还有和魏语诺PK的《对你爱不完》，想起自己整体泡在贴吧看大神分析每一场表演，分析得如同武林高手过招一般，一招一式都用心良苦。完全不知如何评价唱功的我，在那一年好声音里记住了唱功高超的金池。
三十而已OST
【爬虫系列相关推荐】
用微博大数据带你看《乘风破浪的姐姐》
我用Python爬了豆瓣图书，发现言情/推理/科幻小说届的霸主居然是TA！
致0-4岁的运营人：招聘大数据告诉你运营岗需求现状及职业发展前景
参考资料
Python爬取394452条《都挺好》弹幕数据，发现弹幕比剧还精彩？
Python爬取 201865 条《隐秘的角落》弹幕，发现看剧不如爬山？