42 lines
1.9 KiB
Markdown
42 lines
1.9 KiB
Markdown
# 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](FSR.xlsx)
|
||
- 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
|
||
### 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） |