酷应用

Python分析101位《创造营2020》小姐姐，谁才是你心中的颜值担当？

百家作者：AI100 2020-05-23 15:51:10

来源 | CDA 数据分析师

责编 |? Carol?

Show me data，用数据说话。

今天我们聊一聊《创造营2020》各个小姐姐，点击下方视频，先睹为快：?

最近可以追的综艺真是太多了，特别是女团选秀节目。之前我们刚聊过《青春有你2》，现在隔壁鹅厂的《创造营2020》又火热开播了。除了数不清的漂亮小姐姐，导师团除了黄子韬、鹿晗，最新一期中吴亦凡更是作为特约教练登场，“归国三子”一下子就引爆了话题度。?

《创造营2020》到底好看吗？

那么，《创造营2020》到底好看吗？先让我们看到豆瓣，目前已经有25129人打分，分数为6.6分。

对比起隔壁的《青你2》5.2分，创造营还略胜一筹，不过刚更新3期，还可以在观望一下。?

总体评分分布

具体看到总体评分分布，其中11.8%的人给了5星，19.6%的人给了4星，其中打1星的最多占到39.8%。

其中给出1分2分算评分较差的，4分5分算比较好的推荐分数。我们分布看到这两部分评分的词云图。

在评分较低的观众看来，主要的吐槽点有关于"赛制"、"导师"、"剪辑"方面。直接表达"不好看"、"劝退"、"吊打"的评论也有不少。?

在给出分数较高，推荐的观众看来，《创造营2020》的亮点在于"选手小姐姐"、"导师阵容"、"话题"。鹅厂的"财大气粗"、"燃烧的经费"也令人印象深刻。其次也有认为比《青你2》要更好看的。

教你用Python分析101位选手小姐姐?

之前看到菜鸟学Python 写了一篇「我用Python分析了《青春有你2》109位漂亮小姐姐，真香！」。

这次我们也受到了点启发，打算也用Python来盘一盘《创造营2020》的小姐姐们。

下面让我们来通过Python为大家介绍一下这101位美丽的小姐姐吧。

数据获取
数据预处理：数据合并和字段提取
数据可视化分析

1、数据获取

此次我们主要获取了以下部分的数据：

从腾讯的官方助力网站，来获取选手的姓名和照片信息
从维基百科获取选手的籍贯、年龄、身高、所在经济公司信息
调用百度智能云的AI人脸识别接口，输入选手照片，获取选手颜值等信息。

下面看到具体步骤和部分关键代码:

获取腾讯撑腰榜数据

我们获取数据的页面地址如下：

https://m.v.qq.com/activity/h5/303_index/index.html?ovscroll=0&autoplay=1&actityId=107015

这是一个动态js加载的网站，使用chrome浏览器简单的抓包分析，得到真实的数据传输接口，通过修改其中的pageSize参数即可得到所有的数据。

代码如下：

#?导入库
import?pandas?as?pd
import?requests
import?json

def?get_tx_actors():
????"""
????功能：获取创造营2020撑腰榜数据。
????"""
????#?获取URL
????url?=?'https://zbaccess.video.qq.com/fcgi/getVoteActityRankList?raw=1&vappid=51902973&vsecret=14816bd3d3bb7c03d6fd123b47541a77d0c7ff859fb85f21&actityId=107015&pageSize=101&vplatform=3&listFlag=0&pageContext=&ver=1&_t=1589598410618&_=1589598410619'

????#?添加headers
????headers?=?{
????????'User-Agent':?'Mozilla/5.0?(Windows?NT?10.0;?Win64;?x64)?AppleWebKit/537.36?(KHTML,?like?Gecko)?Chrome/81.0.4044.138?Safari/537.36'
????}

????#?发起请求
????response?=?requests.get(url,?headers=headers)

????#?解析数据
????json_data?=?json.loads(response.text)

????#?提取选手信息
????player_infos?=?json_data['data']['itemList']

????#?提取详细信息
????names?=?[i['itemInfo'].get('name')?for?i?in?player_infos]
????rank_num?=?[i['rankInfo'].get('rank')?for?i?in?player_infos]
????images?=?[i['itemInfo']['mapData'].get('poster_pic')?for?i?in?player_infos]

????#?保存信息
????df?=?pd.DataFrame({
????????'names':?names,
????????'rank_num':?rank_num,
????????'images':?images
????})

????return?df

通过以上程序，获取到101位选手的姓名、排名和照片信息，并将选手的照片保存到本地。获取数据如下所示：

df1.head()?

获取维基百科数据

此处使用selenium获取，需要电脑可以登录外网，代码较为简单，暂时省略。

这里主要获取了选手的籍贯、年龄、身高、所在经济公司信息，如下所示：

df2.head()

调用百度AI接口获取颜值数据

百度AI人脸详细的识别文档地址如下：

https://ai.baidu.com/ai-doc/FACE/yk37c1u4t

首先需要在官网申请个人的token信息，然后下面的程序中，get_face_score函数首先构造请求URL，然后构造请求的params表单数据，包括base64编码的图片信息，图片类型和想要获取的人脸信息。通过POST方法获取返回的json数据，返回的json数据里就包含着我们需要的颜值得分和年龄估计等信息，具体代码如下：

def?get_file_content(file_path):
????"""
????功能：使用base64转换路径编码
????"""
????with?open(file_path,?'rb')?as?fp:
????????content?=?base64.b64encode(fp.read())
????????return?content.decode('utf-8')

def?get_face_score(file_path):
????"""
????功能：调用api，实现一个百度的颜值分析器
????"""
????#?调用函数，获取image_code
????image_code?=?get_file_content(file_path=file_path)

????#?请求base_url
????request_url?=?"https://aip.baidubce.com/rest/2.0/face/v3/detect"

????#?表单数据
????params?=?{
????????'image':'{}'.format(image_code),
????????'image_type':?'BASE64',
????????'face_field':?'age,gender,beauty'
????}

????#?调用函数，获取token
????my_access_token?=?"官网获取的个人的token信息"

????#?获取access_token
????access_token?=?my_access_token

????#?构建请求URL
????request_url?=?request_url?+?"?access_token="?+?access_token
????#?请求头
????headers?=?{'content-type':?'json'}
????#?发起请求
????response?=?requests.post(request_url,?data=params,?headers=headers)

????if?response:
????????print(response.json())
????????age?=?response.json()['result']['face_list'][0]['age']
????????gender?=?response.json()['result']['face_list'][0]['gender']['type']
????????gender_prob?=?response.json()['result']['face_list'][0]['gender']['probability']
????????beauty?=?response.json()['result']['face_list'][0]['beauty']

????????all_results?=?[age,?gender,?gender_prob,?beauty]

????return?all_results

通过以上程序，获取到101位选手通过百度AI预测的年龄、性别、性别预测概率、颜值等信息。

df3.head()?

2、内容预处理

此处我们主要对以上获取的数据集进行整理和清洗，清洗后的数据如下所示：

df.head()??

3、数据可视化

获取和整理数据之后，接下来我们使用数据可视化库pyecharts进行以下的数据可视化分析。

选手的年龄分布

首先在年龄上，选手最小年龄是18岁，最大年龄是25岁。我们对年龄进行了分箱，具体分析发现20-22岁的选手最多，占比达到35.87%。其次是22-24岁，占比29.35%，紧随其后是18-20岁，占比28.26%。最后是24-26岁，仅占比6.52%。看来想要出道真的需要趁早啊!

代码如下：

#?分箱
age_bins?=?[18,20,22,24,26]?
age_labels?=?['18-20',?'20-22',?'22-24',?'24-26']
age_cut?=?pd.cut(df.age,?bins=age_bins,?labels=age_labels)
age_cut?=?age_cut.value_counts()

#?产生数据对
data_pair?=?[list(z)?for?z?in?zip(age_cut.index.tolist(),?age_cut.values.tolist())]

#?绘制饼图
#?{a}（系列名称），{b}（数据项名称），{c}（数值）,?{d}（百分比）
pie1?=?Pie(init_opts=opts.InitOpts(width='1350px',?height='750px'))
pie1.add('',?data_pair=data_pair,?radius=['35%',?'60%'])
pie1.set_global_opts(title_opts=opts.TitleOpts(title='选手年龄分布'),?
?????????????????????legend_opts=opts.LegendOpts(orient='vertical',?pos_top='15%',?pos_left='2%'))
pie1.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%"))
pie1.render()

选手的真实年龄和百度AI预测对比

我们将百度AI预测的年龄和真实年龄进行了对比，可以看出模型预测的方差较小，由计算可知平均预测的绝对误差在1.67岁，预测结果还是比较准确的。

代码如下：

#?产生数据
x1_line2?=?df.names.values.tolist()
y1_line2?=?df.age.values.tolist()
y2_line2?=??df.pred_age.values.tolist()

#?绘制折线图
line2?=?Line(init_opts=opts.InitOpts(width='1350px',?height='750px'))
line2.add_xaxis(x1_line2)
line2.add_yaxis('真实年龄',?y1_line2)
line2.add_yaxis('预测年龄',?y2_line2)?
line2.set_global_opts(title_opts=opts.TitleOpts('选手的真实年龄和百度AI预测对比'),?
??????????????????????xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate='30')),
??????????????????????yaxis_opts=opts.AxisOpts(min_=15,?max_=30),
?????????????????????)?
line2.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
line2.render()

选手的身高分布

通过上图可以看出，选手的身高基本符合正态分布。身高方面小姐姐们都在160以上，最高的是175cm，令人意外的是身高167cm的最多，共有34名。看来女团对身高的要求还挺高的。

选手籍贯分布?

那么小姐姐们都来自哪些地区呢？

这里我们只是关注了国内的情况，马来西亚和俄罗斯等其他国家，并不在我们的统计范围内。经过分析整理可以发现，来自四川的人数是最多的，看来四川当之无愧是个盛产美女之地，然后是广东和湖南。

代码如下：

city_num?=?df.region.value_counts()

#?数据对
data_pair2?=?[list(z)?for?z?in?zip(city_num.index.tolist(),?city_num.values.tolist())]

#?绘制地图
map1?=?Map(init_opts=opts.InitOpts(width='1350px',?height='750px'))
map1.add('',?data_pair2,?maptype='china')
map1.set_global_opts(title_opts=opts.TitleOpts(title='选手的籍贯分布'),?
?????????????????????visualmap_opts=opts.VisualMapOpts(max_=9))
map1.render()

选手所在经济公司分布

同时再看到选手的经济公司。可以看到，其中丝芭传媒推出的选手人数位居第一，最多共有7人，丝芭传媒是中国大型女子偶像团体SNH48的运营公司，值得注意的是它在青春有你2中选送的选手数量也是最多的。

?代码如下：

company_num?=?df.company.value_counts(ascending=False)?

#?柱形图
bar1?=?Bar(init_opts=opts.InitOpts(width='1350px',?height='750px'))
bar1.add_xaxis(company_num.index.tolist())
bar1.add_yaxis('',?company_num.values.tolist())
bar1.set_global_opts(title_opts=opts.TitleOpts(title='选手所在经济公司分布'),?
?????????????????????visualmap_opts=opts.VisualMapOpts(max_=7),
?????????????????????xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate='60')),
????????????????????)
bar1.render()