????????

目錄

一、利用Python爬取彈幕

?二、利用幾行代碼直接生成詞云

三、將彈幕屬性和內(nèi)容放入mysql當(dāng)中

?四、分析彈幕在視頻各節(jié)點(diǎn)的數(shù)量

1、分析視頻各個(gè)片段出現(xiàn)的彈幕數(shù)量

2、分析視頻各大章節(jié)出現(xiàn)的彈幕數(shù)量

3.分析視頻各小節(jié)出現(xiàn)的彈幕數(shù)量

五、分析彈幕數(shù)量和日期的關(guān)系

1、分析不同日期的彈幕數(shù)量

2、上午、下午、晚上的彈幕數(shù)量

3、每天不同細(xì)分時(shí)間段的彈幕數(shù)量

六、利用LSTM網(wǎng)絡(luò)對(duì)彈幕數(shù)量進(jìn)行預(yù)測(cè)

七、利用SnowNLP庫(kù)對(duì)彈幕進(jìn)行情感分析

八、誰(shuí)是彈幕發(fā)射器？

????????近期，GPT-4在網(wǎng)絡(luò)上引起了軒然大波，b站上也出現(xiàn)了許許多多關(guān)于GPT-4的解說(shuō)視頻，其中有一個(gè)解說(shuō)視頻受到了網(wǎng)友的熱烈追捧，目前已填充有2萬(wàn)多的彈幕，這也引起了本人的極大興趣，因此對(duì)該視頻的彈幕進(jìn)行了爬取，并記錄于mysql數(shù)據(jù)庫(kù)中，以進(jìn)行數(shù)據(jù)分析、數(shù)據(jù)挖掘、彈幕數(shù)量預(yù)測(cè)和情緒分類等等。話不多說(shuō)，正文開始。

一、利用Python爬取彈幕

? ? ? ? 首先打開以下鏈接，該鏈接便是彈幕的視頻來(lái)源，點(diǎn)擊以下鏈接并打開，右鍵點(diǎn)擊-檢查，查看網(wǎng)頁(yè)編寫代碼，再依此點(diǎn)擊--網(wǎng)絡(luò)--Fetch-XHR，然后播放視頻，隨著視頻中彈幕的出現(xiàn)，右側(cè)出現(xiàn)一次次請(qǐng)求，直到看到cid代號(hào)的出現(xiàn)，如下圖右下角，記下cid的值，將該值填入下述網(wǎng)址中：https://comment.bilibili.com/cid值.xml，打開該網(wǎng)址就可以看到一條條彈幕信息了，我們要爬取的對(duì)象便是這條網(wǎng)址了。（爬取技術(shù)請(qǐng)用于正途）

【漸構(gòu)】萬(wàn)字科普GPT4為何會(huì)顛覆現(xiàn)有工作流；為何你要關(guān)注微軟Copilot、文心一言等大模型_嗶哩嗶哩_bilibili

?確定了網(wǎng)址，下面開始利用python對(duì)該網(wǎng)址進(jìn)行爬取，代碼如下：

import requests from bs4 import BeautifulSoup response = requests.get("https://comment.bilibili.com/1054910356.xml") #要爬取的網(wǎng)址 response.encoding='utf8' #編碼方式 html = response.text soup = BeautifulSoup(html) #使用beautifulsoup庫(kù)快速查找我們想要的信息 all_txt = soup.findAll("d") #尋找到所有包含d的行 txt=[all_txts.attrs ["p"]for all_txts in all_txt] #尋找到所有包含d的行中屬性為p的值，這里邊包含了彈幕的虛擬id等 txtss=[all_txts.string for all_txts in all_txt] #尋找到所有包含d的行中的字符串?dāng)?shù)據(jù)，即彈幕內(nèi)容 txtsss=[txts.replace(' ','') for txts in txtss] #將字符串中的空格消除掉 print(txt,txtsss) ###打印便可看見(jiàn)一條條彈幕的屬性和內(nèi)容了。

輸出結(jié)果如下：

?二、利用幾行代碼直接生成詞云

danmustr=''.join(i for i in txtsss) #將所有彈幕拼接在一起 words=list(jieba.cut(danmustr)) ###利用jieba庫(kù)將彈幕按詞進(jìn)行切分 words=[i for i in words if len(i)>1] ###挑出長(zhǎng)度大于1的詞語(yǔ)（為去除諸如？，哈，啊等字符） wc=wordcloud.WordCloud(height=1000,width=1000,font_path='simsun.ttc')#利用wordcloud庫(kù)定義詞云圖片的信息 wc.generate(' '.join(words)) ##生成圖片 print(wc) plt.imshow(wc) plt.show()

執(zhí)行上述代碼，得到以下詞云圖片：

?????????分析：從該詞云圖片信息可以知道，大量彈幕中都出現(xiàn)了就是人類、ai、中國(guó)等詞眼，看來(lái)大家都認(rèn)為gpt-4是一場(chǎng)重大變革，ai的智能程度或可比肩人類，另外大家也在討論中國(guó)應(yīng)當(dāng)如何應(yīng)對(duì)這次ai的巨大變革。

三、將彈幕屬性和內(nèi)容放入mysql當(dāng)中

????????為便于對(duì)彈幕數(shù)據(jù)的調(diào)用和處理，我們需要將其存入mysql數(shù)據(jù)庫(kù)中，代碼如下：

import pandas as pd from datetime import datetime from sqlalchemy import create_engine,textpg=pd.DataFrame({"paragraphs": txt,"comment":txtsss})#將彈幕屬性和彈幕內(nèi)容放入dataframe中 pg["time_happen"]=pg['paragraphs'].map(lambda x:x.split(',')[0]) #將彈幕的第一個(gè)屬性值拆分為time_happen列 pg["danmu_gundong"]=pg['paragraphs'].map(lambda x:x.split(',')[1]) #將彈幕的第二個(gè)屬性值拆分為danmu_gundong列 pg["danmu_size"]=pg['paragraphs'].map(lambda x:x.split(',')[2]) #與上類似 pg["danmu_color"]=pg['paragraphs'].map(lambda x:x.split(',')[3]) #與上類似 pg["danmu_ture_time"]=pg['paragraphs'].map(lambda x:x.split(',')[4]) #與上類似 pg["danmu_mode"]=pg['paragraphs'].map(lambda x:x.split(',')[5]) #與上類似 pg["user_id"]=pg['paragraphs'].map(lambda x:x.split(',')[6]) #與上類似 pg["danmu_ture_time"]=pg['danmu_ture_time'].apply(lambda x:datetime.fromtimestamp(int(x))) #將時(shí)間戳先轉(zhuǎn)換為datetime，可不轉(zhuǎn) pg["danmu_ture_time"]=pg['danmu_ture_time'].apply(lambda x:x.date()) #將datetime轉(zhuǎn)換為date日期，可不轉(zhuǎn) engine=create_engine('mysql+pymysql://root:123456@localhost/gpt') #利用sqlalchemy庫(kù)建立mysql的引擎 pg.to_sql(name='gptlast',con=engine,index=False,if_exists='replace')#記得安裝pymysql庫(kù)！！，將數(shù)據(jù)寫入mysql

執(zhí)行上述代碼，便可寫入mysql當(dāng)中，如下：

?四、分析彈幕在視頻各節(jié)點(diǎn)的數(shù)量

1、分析視頻各個(gè)片段出現(xiàn)的彈幕數(shù)量

????????本文爬取了近萬(wàn)條彈幕，繪制了彈幕數(shù)量與出現(xiàn)時(shí)間的曲線圖，繪制曲線圖的代碼如下：

import matplotlib from matplotlib import pyplot as plt engine=create_engine('mysql+pymysql://root:123456@localhost/gpt') #利用sqlalchemy庫(kù)建立mysql的引擎 df=pd.read_sql(text('select * from gptlast'),con=engine.connect())#從mysql數(shù)據(jù)庫(kù)中查找出所有彈幕信息 list_time_happen=df["time_happen"].tolist() list_count_time_happen=[] for i in range(500):count_time_happen = 0for j in range(7200):if i * 6.028 <= float(list_time_happen[j]) < (i + 1) * 6.028:list_time_happen[j]=icount_time_happen +=1list_count_time_happen.append(count_time_happen) print(list_count_time_happen) matplotlib.rcParams['font.family']='SimHei' matplotlib.rcParams['font.size']=12 plt.plot(list_count_time_happen,color='g',linewidth=2,label="視頻各時(shí)段的彈幕數(shù)量") plt.xlabel("視頻的各個(gè)時(shí)段，以6.028s為一個(gè)區(qū)間") plt.ylabel('視頻各個(gè)時(shí)段的彈幕數(shù)量',labelpad=-40, #調(diào)整y軸標(biāo)簽與y軸的距離y=1.02, #調(diào)整y軸標(biāo)簽的上下位置rotation=0) plt.grid() plt.show()

?繪制得到的曲線圖如下：

?????????可以看出，視頻的開頭和結(jié)尾彈幕數(shù)量較多，彈幕數(shù)量最多的時(shí)間段是視頻的48分23秒的位置，說(shuō)明這個(gè)時(shí)間段的內(nèi)容廣受關(guān)注，本文查看視頻的該時(shí)間段可知，這段內(nèi)容講述了：中國(guó)已經(jīng)錯(cuò)了三次工業(yè)革命，不能再錯(cuò)過(guò)這次的gpt-4了，該段視頻截圖如下。

? ? ? ? 在筆者看來(lái)，這段內(nèi)容是整個(gè)視頻的重中之重，可以說(shuō)是整個(gè)視頻的論點(diǎn)。因此引起了大家的廣泛關(guān)注，面對(duì)這場(chǎng)ai浪潮，我們到底該如何應(yīng)對(duì)？

2、分析視頻各大章節(jié)出現(xiàn)的彈幕數(shù)量

? ? ? ? 分析視頻各大章節(jié)出現(xiàn)的彈幕數(shù)量，以分析網(wǎng)友對(duì)各個(gè)章節(jié)的喜愛(ài)程度，代碼和上一小節(jié)類似，此處便不貼了。繪制直方圖和餅狀圖如下：

?

? ? ? ? ?可以看出視頻第四章節(jié):未來(lái)影響，出現(xiàn)的彈幕最多,看來(lái)網(wǎng)友對(duì)GPT-4的未來(lái)影響比較感興趣。但是，以上兩圖統(tǒng)計(jì)的是各個(gè)章節(jié)的彈幕數(shù)量，然而各個(gè)章節(jié)的時(shí)間長(zhǎng)短不一，比如第一章引言只有幾分鐘，而其他幾章有十幾分鐘，十幾分鐘內(nèi)出現(xiàn)的彈幕數(shù)量當(dāng)然比幾分鐘內(nèi)出現(xiàn)的彈幕更多了，因此不區(qū)分章節(jié)時(shí)間長(zhǎng)度而進(jìn)行彈幕數(shù)量比較，是不太合理的，因此本文接著統(tǒng)計(jì)了各大章節(jié)每秒出現(xiàn)的彈幕數(shù)量，得到直方圖和餅狀圖如下：

?

? ? ? ? ?從以上兩圖可以看出，第一章節(jié)開始逆襲，其每秒彈幕數(shù)量是最多的，因?yàn)槭且曨l的開頭，所以這是可以理解的，另外第三章每秒彈幕數(shù)量還是最少的，看來(lái)廣大網(wǎng)友對(duì)這個(gè)大模型如何訓(xùn)練的并不感興趣呀。

3.分析視頻各小節(jié)出現(xiàn)的彈幕數(shù)量

????????分析視頻各小節(jié)出現(xiàn)的彈幕數(shù)量，以分析網(wǎng)友對(duì)各個(gè)小節(jié)的喜愛(ài)程度，代碼和上上節(jié)類似，此處便不貼了。繪制直方圖和餅狀圖如下：

?

? ? ? ? ?可以看出，4.3、5.3及4.2小節(jié)出現(xiàn)的彈幕數(shù)量最多，4.3是gpt-4的社會(huì)影響，5.3是gpt-4對(duì)國(guó)家競(jìng)爭(zhēng)力的影響，4.2是gpt-4的應(yīng)用價(jià)值，體現(xiàn)出了廣大網(wǎng)友憂國(guó)憂民和注重實(shí)踐應(yīng)用的共同點(diǎn)呀。

? ? ? ? 類似的，我們?cè)賮?lái)看看各小節(jié)的每秒彈幕數(shù)量，如下直方圖和餅狀圖：

?

? ? ? ? ?通過(guò)上面兩圖可以發(fā)現(xiàn)，還是視頻的開頭和結(jié)尾的每秒彈幕數(shù)量比較多，另外就是2.1實(shí)質(zhì)功能小節(jié)彈幕數(shù)量也比較多，這小節(jié)介紹了gpt-4的通俗原理，也引起了廣大網(wǎng)友的積極討論。

五、分析彈幕數(shù)量和日期的關(guān)系

1、分析不同日期的彈幕數(shù)量

import time list_time_true=df["danmu_ture_time"].tolist() #將dataframe中的時(shí)間戳列轉(zhuǎn)換成列表 dt='2023-3-15 0:0:0' #彈幕最早出現(xiàn)時(shí)間 time_=time.strptime(dt,"%Y-%m-%d %H:%M:%S") #將dt轉(zhuǎn)換成strptime time_small=time.mktime(time_) #將strptime轉(zhuǎn)換成時(shí)間戳 list_count_time_happen=[] for i in range(28): #該視頻共公布28天，因此彈幕跨度為28天count_time_happen = 0 #用于記錄這28天每天的彈幕數(shù)量for j in range(7200):if i*3600*24+time_small <= int(list_time_true[j]) < (i+1)*3600*24+time_small:list_time_true[j] = i #這行代碼可有可有count_time_happen += 1 #如果是當(dāng)天的彈幕，則+1list_count_time_happen.append(count_time_happen) #將28天每天的彈幕數(shù)量記錄于該列表中 print(list_count_time_happen) matplotlib.rcParams['font.family']='SimHei' matplotlib.rcParams['font.size']=12 color=['deepskyblue','orange'] plt.bar(range(28), list_count_time_happen,color=color,width=0.4) plt.xlabel("發(fā)送彈幕的日期，從3月15開始，4月11結(jié)束") plt.ylabel('每天彈幕數(shù)量',labelpad=-40, #調(diào)整y軸標(biāo)簽與y軸的距離y=1.02, #調(diào)整y軸標(biāo)簽的上下位置rotation=0) plt.xticks([0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27],[15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,1,2,3,4,5,6,7,8,9,10,11]) plt.show()

? ? ? ? 得到每天彈幕數(shù)量的直方圖如下：

?????????觀察以上直方圖我們可以發(fā)現(xiàn)，彈幕數(shù)量會(huì)先增多再減少，持續(xù)波浪狀前進(jìn)，視頻剛發(fā)布初期，彈幕增長(zhǎng)的速度是最快的，后期彈幕數(shù)量雖也有增長(zhǎng)，但是勢(shì)頭沒(méi)有前期高。另外查詢?nèi)諝v可以發(fā)現(xiàn)，彈幕數(shù)量比較高的幾天，幾乎都是周末，工作日的彈幕數(shù)量較少，因此彈幕數(shù)量會(huì)出現(xiàn)波峰波谷，波浪狀前進(jìn)，看來(lái)廣大網(wǎng)友工作日都在努力搬磚，沒(méi)有過(guò)多空閑時(shí)間逛b站呀。

2、上午、下午、晚上的彈幕數(shù)量

? ? ? ? 分析上午、下午和晚上的彈幕數(shù)量會(huì)不會(huì)有不同？代碼思路和上節(jié)類似，這里便不貼了，繪制的直方圖和餅狀圖如下圖：

?

???????觀察以上兩圖可知，下午和晚上的彈幕數(shù)量最多，估計(jì)大家上午的時(shí)間都非常倉(cāng)促，掙扎著起床就要去工作了，上午沒(méi)有屬于自己的時(shí)間，哈哈。下午的彈幕數(shù)量最高，估計(jì)大家在午休前都會(huì)逛會(huì)b站，筆者也是如此，晚上的情況大致也類似。

3、每天不同細(xì)分時(shí)間段的彈幕數(shù)量

????????上節(jié)分析了上午、下午與晚上的彈幕數(shù)量，但是時(shí)間跨度較大，分析比較粗糙，下面針對(duì)更細(xì)分的時(shí)間段進(jìn)行彈幕數(shù)量分析。將一天分成12個(gè)時(shí)間段，分別為0時(shí)~2時(shí)，2時(shí)~4時(shí)，4時(shí)~6時(shí)......22時(shí)~24時(shí)，繪制了各個(gè)時(shí)間段的彈幕數(shù)量直方圖和餅狀圖：

?

????????分析以上兩圖可知，20時(shí)~22時(shí)、22時(shí)~24時(shí)和12時(shí)~14時(shí)的彈幕數(shù)量最多，說(shuō)明廣大網(wǎng)友都是晝伏夜出的，晚上的時(shí)間比較充足，另外中午午休也可以抽出時(shí)間逛逛b站。4時(shí)~6時(shí)、6時(shí)~8時(shí)及2時(shí)~4時(shí)的彈幕數(shù)量最小，廣大網(wǎng)友應(yīng)該進(jìn)入夢(mèng)鄉(xiāng)了。

六、利用LSTM網(wǎng)絡(luò)對(duì)彈幕數(shù)量進(jìn)行預(yù)測(cè)

? ? ? ? 由5.1可知，本文共收集了28天的彈幕數(shù)量，將28天的彈幕數(shù)量分為訓(xùn)練集和測(cè)試集，前22天的彈幕用作訓(xùn)練，后6天的彈幕用作測(cè)試，如下圖所示。本文以5天的彈幕數(shù)量為滑動(dòng)窗口，預(yù)測(cè)下一天的彈幕數(shù)量，因此可得到訓(xùn)練集17組，測(cè)試集6組。

????????使用雙層LSTM網(wǎng)絡(luò)作為預(yù)測(cè)模型，網(wǎng)絡(luò)每層神經(jīng)元個(gè)數(shù)為6個(gè)（因?yàn)楸疚臄?shù)據(jù)集較為簡(jiǎn)單，使用6個(gè)神經(jīng)元足以），LSTM網(wǎng)絡(luò)層后接一層全連接層。代碼如下：

####建立數(shù)據(jù)集 device=torch.device ('cuda:0' if torch.cuda.is_available() else 'cpu') count_max=max(list_count_time_happen) #歸一化 for i in range(28):list_count_time_happen[i]=list_count_time_happen[i]/count_max train_data=list_count_time_happen[0:22] test_data=list_count_time_happen[22:28] train_data_x=torch.zeros((17,5)) train_data_y=torch.zeros((17,1)) for i in range(17):train_data_x[i,0]=torch.tensor(train_data[i])train_data_x[i, 1] = torch.tensor(train_data[i+1])train_data_x[i, 2] = torch.tensor(train_data[i+2])train_data_x[i, 3] = torch.tensor(train_data[i+3])train_data_x[i, 4] = torch.tensor(train_data[i+4])train_data_y[i,:]=torch.tensor((train_data[i+5])) test_data_x=torch.zeros((6,5)) test_data_y=torch.zeros((6,1)) for i in range(6):test_data_x[i,0]=torch.tensor(list_count_time_happen[17+i])test_data_x[i, 1] =torch.tensor(list_count_time_happen[17 + i+1])test_data_x[i, 2] = torch.tensor(list_count_time_happen[17 + i+2])test_data_x[i, 3] = torch.tensor(list_count_time_happen[17 + i+3])test_data_x[i, 4] = torch.tensor(list_count_time_happen[17 + i+4])test_data_y[i,:]=torch.tensor(list_count_time_happen[17+i+5]) print(train_data_x.dtype,train_data_y.dtype,test_data_x.dtype,test_data_y.dtype) ####構(gòu)建網(wǎng)絡(luò)模型class LsTM(nn.Module):def __init__(self):super(LsTM, self).__init__()# 定義LSTMself.rnn = nn.LSTM(1, 6,2,batch_first=True)# 定義回歸層網(wǎng)絡(luò)，輸入的特征維度等于LSTM的輸出，輸出維度為1)self.reg = nn.Sequential(nn.Linear(6, 1))def forward(self, x):x=x.reshape(-1,5,1)#x = x.view(x.size(0), -1)x, (ht,ct) = self.rnn(x)ht = ht.reshape(-1, 2, 6)ht=ht[:,1,:]x = F.sigmoid(self.reg(ht))return xmodel = LsTM().to(device)quanzhi_pipei=5000 criterion = nn.MSELoss() optimizer_ExpLR = torch.optim.Adam(model.parameters(), lr=0.001,betas=(0.9,0.999),eps=1e-08,weight_decay=0,amsgrad=False) epoch=0 a=3 for i in range(2000):epoch=epoch+1optimizer_ExpLR.zero_grad()outputs = model(train_data_x.cuda())target = train_data_y.cuda()loss = criterion(outputs, target)loss.backward()optimizer_ExpLR.step()with torch.no_grad():if epoch % 2 == 0:print("--------------歷經(jīng)第{}次循環(huán)------------".format(epoch))print('--------當(dāng)前的損失率等于：{}-------'.format(loss.item())) test_outputs = model(test_data_x.cuda()).cpu().detach().numpy() test_outputs=test_outputs.reshape((6,1)) ####繪制真實(shí)值與預(yù)測(cè)值的對(duì)比圖 matplotlib.rcParams['font.family']='SimHei' matplotlib.rcParams['font.size']=12 plt.plot(range(6),test_data_y,range(6),test_outputs) plt.legend(['true value','predicted value']) plt.xlabel("時(shí)間") plt.ylabel('彈幕數(shù)量占比',labelpad=-40, #調(diào)整y軸標(biāo)簽與y軸的距離y=1.02, #調(diào)整y軸標(biāo)簽的上下位置rotation=0) plt.show()

得到預(yù)測(cè)值與真實(shí)值的對(duì)比圖如下：

?????????預(yù)測(cè)效果不太理想，但是這是情有可原的，因?yàn)橛?xùn)練集太小，只有17組！！！盡力了老鐵！

七、利用SnowNLP庫(kù)對(duì)彈幕進(jìn)行情感分析

????????利用snownlp庫(kù)對(duì)彈幕進(jìn)行情感分析，這個(gè)庫(kù)非常方便，直接調(diào)用其作為函數(shù)處理dataframe即可，返回對(duì)彈幕內(nèi)容的評(píng)分，評(píng)分越高越積極，所以代碼也是非常的簡(jiǎn)潔，如下所示：

import snownlp import seaborn as sn df['sentiment']=df["comment"].apply(lambda x:snownlp.SnowNLP(x).sentiments) pd.set_option('display.max_rows', None) # 顯示所有行 # print(df[["comment",'sentiment']]) matplotlib.rcParams['font.family']='SimHei' matplotlib.rcParams['font.size']=12 matplotlib.rcParams['axes.unicode_minus']=False ax=sn.distplot(df['sentiment'],hist_kws={'color':'deepskyblue'},kde_kws={'color':'orange'},bins=20) ax.set_title("GPT-4解說(shuō)視頻整體情感傾向") plt.show()

利用庫(kù)seaborn可得到如下整體彈幕情緒分析圖如下：

?????????從以上情感分析圖可知，彈幕中有很多積極地彈幕，但同時(shí)，消極的彈幕也不少。進(jìn)一步的，筆者將情感評(píng)分>0.9分的彈幕選作為積極的彈幕，而情感評(píng)分<0.5的彈幕選作為消極的彈幕，如以下代碼所示：

sentiment_list=df['sentiment'].tolist() count_=[0,0] for i in range(7200):if sentiment_list[i]>=0.9:count_[0]=count_[0]+1elif sentiment_list[i]<0.5:count_[1]=count_[1]+1 matplotlib.rcParams['font.family']='SimHei' matplotlib.rcParams['font.size']=12 color=['deepskyblue','orange'] plt.bar(range(2),count_,color=color,width=0.3) plt.xlabel("情緒種類") plt.ylabel('各情緒種類的彈幕數(shù)量',labelpad=-40, #調(diào)整y軸標(biāo)簽與y軸的距離y=1.02, #調(diào)整y軸標(biāo)簽的上下位置rotation=0) plt.xticks(range(2),['積極','消極']) plt.show()

繪制得到積極彈幕數(shù)量和消極彈幕數(shù)量對(duì)比圖如下：

? ? ? ? ?可以發(fā)現(xiàn)，消極的彈幕比積極地彈幕更多，部分原因是國(guó)內(nèi)難以使用gpt-4，這引起了部分網(wǎng)友的怨言。

八、誰(shuí)是彈幕發(fā)射器？

? ? ? ? 本節(jié)統(tǒng)計(jì)了這近萬(wàn)條彈幕的虛擬id，得到了所有不同用戶發(fā)送的彈幕數(shù)量，如下圖所示：

?????????觀察上圖可知，第1名用戶發(fā)送了35條彈幕，第2名用戶發(fā)送了大概30條，依此遞減，大部分用戶都只發(fā)送了一條彈幕，大致是從第1200名用戶開始，至第4800名用戶，這三千多用戶都只發(fā)送了一條彈幕。發(fā)送了35條彈幕的這位用戶的彈幕內(nèi)容，多為對(duì)未來(lái)的思考和擔(dān)憂，可見(jiàn)這位用戶對(duì)中國(guó)未來(lái)充滿信心，又覺(jué)得中國(guó)的路還很長(zhǎng)，足見(jiàn)其憂國(guó)憂民的形象。

????????以上便是本條博客的全部?jī)?nèi)容了，完結(jié)，撒花~感謝觀看

總結(jié)

以上是生活随笔為你收集整理的利用python对b站某GPT-4解说视频的近万条弹幕进行爬取、数据挖掘、数据分析、弹幕数量预测及情绪分类的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。