深陷抄袭之名、诉讼纠纷的《爱情公寓》终于上映了。

情怀粉们的力量不容小觑，截止到撰稿，《爱情公寓》票房已经突破 3.72 亿大关，稳坐票房冠军的宝座，院线排片占比高达 40.0%。

和超高票房背道而驰的，是各大社交平台上一边倒的差评。豆瓣万人打分，九成观众果断打了一星，只无奈豆瓣没有零星选项。

不知道有多少像我这样的情怀粉丝们，满怀期待地买了电影票，走进电影院，却发现是交了智商税。

豆瓣短评区里，观众们的状态已经出离愤怒，近乎暴走的状态。有人揭露电影挂羊头卖狗肉，电影内容和《爱情公寓》故事主线毫无关系，是山寨电影、诈骗电影、电影中的拼多多。

为了燃解我心头之恨，笔者将会跟你一起用猫眼上万条评论数据来分析，网友对这部电影的反响是否烂到刷新国产片不要脸的下限？

还是老规矩，整体思路将会从数据获取、数据清洗、数据可视化三部曲来进行：

01：数据获取清洗

整体思路与之前获取《邪不压正》评论一样：

具体代码如下：、

import requests

import time

import random

import json

#获取每一页数据

def get_one_page(url):

response = requests.get(url=url)

if response.status_code == 200:

return response.text

return None

#解析每一页数据

def parse_one_page(html):

data = json.loads(html)['cmts']#获取评论内容

for item in data:

yield{

'date':item['time'].split(' ')[0],

'nickname':item['nickName'],

'city':item['cityName'],

'rate':item['score'],

'conment':item['content']

}

#保存到文本文档中

def save_to_txt():

for i in range(1,1001):

print("开始保存第%d页" % i)

url = 'http://m.maoyan.com/mmdb/comments/movie/1175253.json?_v_=yes&offset=' + str(i)

html = get_one_page(url)

for item in parse_one_page(html):

with open('爱情公寓.txt','a',encoding='utf-8') as f:

f.write(item['date'] + ','+item['nickname'] +','+item['city'] +','

+str(item['rate']) +',' +item['conment']+' ')

#time.sleep(random.randint(1,100)/20)

time.sleep(2)

#去重重复的评论内容

def delete_repeat(old,new):

oldfile = open(old,'r',encoding='utf-8')

newfile = open(new,'w',encoding='utf-8')

content_list = oldfile.readlines() #获取所有评论数据集

content_alread = [] #存储去重后的评论数据集

for line in content_list:

if line not in content_alread:

newfile.write(line+' ')

content_alread.append(line)

if __name__ == '__main__':

save_to_txt()

delete_repeat(r'爱情公寓_old.txt',r'爱情公寓_new.txt')

02：数据分析可视化

我们将用 Python 的两个模块 Pandas 与 pyecharts：

pyecharts 是一个用于生成 Echarts 图表的类库。Echarts 是百度开源的一个数据可视化 JS 库。用 Echarts 生成的图可视化效果非常棒，pyecharts 是为了与 Python 进行对接，方便在 Python 中直接使用数据生成图。（详情请看：http://pyecharts.org/）

Pandas 是基于 NumPy 的一个非常好用的库，正如名字一样，人见人爱。之所以如此，就在于不论是读取、处理数据，用它都非常简单。Pandas 有两种自己独有的基本数据结构。要使用 pandas，首先就得熟悉它的两个主要数据结构：Series 和 DataFrame。其中 Series 的性质和 Python 中原生的 dict 差不多，一个 key 对应一个 vaule，而且 key 必须是唯一的；DataFrame(以下简称 df)的性质则和 SQL 中的 table 差不多（详情请看：http://pandas.pydata.org/）。

真可谓电影界的“拼多多”。

我们把城市打分情况投射到地图中，可以看出：

在热力图中，白银、绵阳、遵义等三四线城市热度相对高点，也可看出随着人们消费水平的升级，去电影院看电影是娱乐首选。在满足普通人民精神娱乐需求方面，但也不能挂羊头卖狗肉，电影内容和《爱情公寓》故事主线毫无关系。这难道不是电影界的拼多多么？

在学习中有迷茫不知如何学习的朋友小编推荐一个学Python的学习裙[663033228]无论你是大牛还是小白，是想转行还是想入行都可以来了解一起进步一起学习！裙内有开发工具，很多干货和技术资料分享！

评分清一色，均为 3 星级

图为主要城市的评论数量与打分情况：

由图中可看出，各大城市观众打分均为 3 星级左右，这与猫眼评分 6.6 基本吻合；打出最高分与最低分分别是哈尔滨与中山。同时也能看出，一二线城市观众对此很失望。

有些人的良心被狗吃了？

看过了评分，我们看一下评论生成的词云图：

由词云图可以看出，爱情公寓、盗墓电影二词显目在列，整部电影就 30 秒和《爱情公寓》有关，所谓的集齐原班人马回归也只是个幌子，《爱情公寓》大电影完全是一部盗墓笔记，真正毁了《爱情公寓》这个 IP，也毁了《盗墓笔记》这个 IP。

但即便是在这样观众一致认为彻底失望的情况之下，依然有一波忠实的『粉丝们』坚守阵地。他们的手中依然紧握着情怀牌，打分也是一水的五星。

对于这些水军以及说《爱情公寓》好看的人，大家可以绝交了；作为观众，任何的关注都是助长《爱情公寓》的嚣张气焰，我们也有责任自发抵制烂片，决不让诈骗电影多赚一分钱。

以上信息具体代码为：

from wordcloud import WordCloud,STOPWORDS

import pandas as pd

import jieba

import matplotlib.pyplot as plt

#import seaborn as sns

from pyecharts import Geo,Style,Line,Bar,Overlap

f = open('爱情公寓_new.txt',encoding='utf-8')

data = pd.read_csv(f,sep=',',header=None,encoding='utf-8',names=['date','nickname','city','rate','comment'])

city = data.groupby(['city'])

rate_group = city['rate']

city_com = city['rate'].agg(['mean','count'])

#print(city_com)

city_com.reset_index(inplace=True)

city_com['mean'] = round(city_com['mean'],2)

#热力图分析

data_map = [(city_com['city'][i],city_com['count'][i]) for i in range(0,city_com.shape[0])]

#print(data_map)

style = Style(title_color="#fff",title_pos = "center",

width = 1200,height = 600,background_color = "#404a59")

geo = Geo("《爱情公墓》粉丝人群地理位置","数据来源：恋习Python",**style.init_style)

while True:

try:

attr,val = geo.cast(data_map)

geo.add("",attr,val,visual_range=[0,20],

visual_text_color="#fff",symbol_size=20,

is_visualmap=True,is_piecewise=True,

visual_split_number=4)

except ValueError as e:

e = str(e)

e = e.split("No coordinate is specified for ")[1]#获取不支持的城市名

for i in range(0,len(data_map)):

if e in data_map[i]:

data_map.pop[i]

break

else:

break

geo.render('爱情公墓.html')

#折线+柱图分析

city_main = city_com.sort_values('count',ascending=False)[0:20]

#print(city_main)

attr = city_main['city']

v1 = city_main['count']

v2 = city_main['mean']

#print(attr,v1,v2)

line = Line("主要城市评分")

line.add("城市",attr,v2,is_stack=True,xaxis_rotate=30,yaxix_min=4.2,

mark_point=['min','max'],xaxis_interval=0,line_color='lightblue',

line_width=4,mark_point_textcolor='black',mark_point_color='lightblue',

is_splitline_show=False)

bar = Bar("主要城市评论数")

bar.add("城市",attr,v1,is_stack=True,xaxis_rotate=30,yaxix_min=4.2,

xaxis_interval=0,is_splitline_show=False)

overlap = Overlap()

overlap.add(bar)

overlap.add(line,yaxis_index=1,is_add_yaxis=True)

overlap.render('主要城市评论数_平均分.html')

#词云分析

#分词

comment = jieba.cut(str(data['comment']),cut_all=False)

wl_space_split = " ".join(comment)

#导入背景图

backgroud_Image = plt.imread('lan.jpg')

stopwords = STOPWORDS.copy()

#print("STOPWORDS.copy()",help(STOPWORDS.copy()))

wc = WordCloud(width=1024,height=768,background_color='white',

mask=backgroud_Image,font_path="C:simhei.ttf",

stopwords=stopwords,max_font_size=400,

random_state=50)

wc.generate_from_text(wl_space_split)

plt.imshow(wc)

plt.axis('off')#不显示坐标轴

plt.show()

wc.to_file(r'laji.jpg')

最后，作为《爱情公寓》之前的铁粉，只想评价一个字：烂。

烂在哪里？并不是烂在盗墓剧情，也不烂在演员特效。烂在它消费粉丝热情和爱戴，玩弄观众。

2.4 分我想更多是对韦正和汪远的评价。为了赚钱，上映前吹嘘夸大，不设点映；为了赚钱，宣传片预告片 MV 大量回忆杀，关谷展博无限出镜；为了赚钱，藏着掖着不见光不露脸，以 9.9 分的保票“催”着粉丝买预售票。上映第一天 3 亿。赚的盆满钵满。

反过来看观众，哭着脸走出影院的，多数是被结尾彩蛋感动，彩蛋才真正传达了“爱情公寓精神”。主演们对着镜头的自白，说出了我们最想听到的几段话，才真正唤起了我们脑海里对爱情公寓的美好回忆。

电影结尾的彩蛋，小姨妈呼唤关谷的那一段，算是爱情公寓最感人的地方了吧。

但是，一个彩蛋真的配 3 亿票房吗？

用近乎做作的犹抱琵琶半遮面的营销手段，让大家对它憧憬，希望它能给我们的记忆画上一个圆满的句号，可却用一部近乎玩笑的垃圾影片嘲笑我们对它的喜爱。

打着情怀的旗号，将一个个剧版粉丝骗进电影院，将电影票钱装进自己的腰包。

这就是它最烂的地方。