数据处理

合并数据文件

1. 合并热门数据

• 数据文件
  • 视频: hot_data/分区/info
  • up: hot_data/分区/up_info
  • 弹幕/评论: hot_data/分区/BV号/...
• 单分区处理
  • 按bv号匹配视频对应up指标，添加到info.csv
  • 依序读取弹幕输出情感评分，(如果顺序没变的话) 直接添加一列到info.csv
  • 合并: 遍历.分区info文件创建总文件，并给“视频荣誉”改名成“是否热门”并赋值为1

2. 合并非热数据

• 同上，并赋值为0

3. 合并两个文件

• 根据URL获取封面
• 按发布时间排序

4. 文本数据合并

• 评论文本 (仅热门): 直接合并成列，人工筛选高质量文本
• 标签合并 (放一起整一个txt即可，拉个词云了事)
• 简介合并 (同上)

数据预处理

原合并文件+量化后文件两个文件

单独处理

• 是否为系列 (标题关键词分析)(excel使用find函数即可)（否0是1）
• 封面处理并量化

数据量化（可以用excel实现)

• up主uid：输出uid位数（越小表示号越老）
• up主性别： 男0，女1，保密2
• 播放量对数转换, 输出logV
• 发布时间： 区分为0-6点，6-12点，12-18点，18-24点四个时段，依次赋值为1-4
• 小分区映射到大分区，具体命名规则见文件
• 是否为联投： 否0，是1
• 视频方向：竖屏0，横屏1
• 视频分辨率: 360、720、1080、2k、4k、8k(近似匹配），赋值为1-6
• 视频类型：搬运0，自制1
• 字幕： 无字幕为0，剩下为1
• 视频总时长：输出小于60的，之间的，和大于600的，赋值为1，2，3，方便后续描述性分析
• 弹幕情感评分=0.8snowNLP+0.2RoBERTa

删除不用指标

• 发布时间等上述被处理过的指标（原播放量要保留）
• 视频简介、标签
• 调整顺序（基础信息放前面，其次是连续型变量，最后是分类变量）

数据清洗

• 筛选极端弹幕情感评分，筛选出两种差值>0.3的人工检查
• 缺失值处理(按总平均填入)
• 去除异常值