驚雷/通天修為/天塌地陷紫金錘
紫電/玄真火焰/九天玄劍驚天變
這看起來不著邊際的歌詞，配上簡單粗暴的蹦迪音樂 。
最近 ， 一首《驚雷》的喊麥歌曲在短視頻平臺火了，震驚了整個(gè)音樂圈 。
但4月10日歌手楊坤卻在直播中批評《驚雷》要歌沒歌，要旋律沒旋律 ， 要節(jié)奏沒節(jié)奏，要律動沒律動，評價(jià)其難聽、俗氣 。
4月11日，MC六道以原唱者的身份對楊坤的指責(zé)做出回應(yīng)表示，音樂沒有高低之分 ， 稱《驚雷》現(xiàn)在比楊坤的任何一首歌都火 。一時(shí)間更是把《驚雷》推上了風(fēng)口浪尖 。
那么《驚雷》這首歌到底怎么樣？都是哪些人在聽？今天我們就用Python來給你解讀 。
01拿下60億流量
喊麥歌曲《驚雷》火了！
說道喊麥，作為近年來一種新興的表演形式，其內(nèi)容和表達(dá)方式則比較簡單和浮夸，主要形式是在網(wǎng)上下載一些伴奏（以電音伴奏為主），跟著伴奏以簡單的節(jié)奏和朗朗上口的押韻手法進(jìn)行的語言表演 。
更簡單的說法就是，演唱時(shí)不講究什么技法，帶著伴奏對著麥喊就完事 。比如之前爆火的《一人我飲酒醉》就是很具代表性的喊麥歌曲 。
而喊麥歌曲也因?yàn)橐晃抖逊e看似沒有關(guān)聯(lián)的詞，鬧騰的電音，簡單粗暴的唱法等，讓大家各種吐槽 。而在全民抵制喊麥的背景下 ， 《驚雷》卻火了 。
從今年3月起，以《驚雷》為BGM的短視頻在各大平臺上迅速走紅 。截止到4月24日 ， 在抖音的驚雷的標(biāo)簽頁下顯示共有23w個(gè)視頻作品使用 ， 產(chǎn)生64.1億次播放 。
一些網(wǎng)友更是跟風(fēng)錄制了各種翻唱版本 。溫柔版、方言版、戲腔版、小黃人版、種類之多，只有你想不到，沒有網(wǎng)友做不到 。瞬間《驚雷》就成了今年度的網(wǎng)絡(luò)爆款神曲之一 。在B站上搜索《驚雷》更是可以看到大量的相關(guān)視頻 。
我們對B站上《驚雷》的各類視頻進(jìn)行整理分析發(fā)現(xiàn)：
在3月底，《驚雷》就在B站小火了一把，總播放量突破50萬 。接著到了4月12日，隨著楊坤和MC六道的隔空互掐，大量《驚雷》相關(guān)視頻如雨后春筍一般爆發(fā)出來，無論是音樂、游戲、生活、影視和鬼畜各視頻分區(qū)產(chǎn)生的相關(guān)視頻突破300個(gè) ， 播放量更是水漲船高 。
02精神小伙專屬歌曲
都是哪些人在聽《驚雷》？
我們使用Python獲取并分析了網(wǎng)易云音樂上，MC六道的這首《驚雷》相關(guān)的評論數(shù)據(jù) 。
經(jīng)過去重得到1534條樣本，從而來分析一下《驚雷》這首歌的用戶和評價(jià)信息 。
先看到結(jié)論：
評論時(shí)間趨勢圖
首先看到評論的時(shí)間，可以發(fā)現(xiàn)評論的高峰時(shí)間主要集中在：

• 中午12-13點(diǎn)左右；
• 下午5點(diǎn)之后的下班下課時(shí)間；
• 以及傍晚睡前9-10點(diǎn)

看來主要的聽歌時(shí)間是在忙完工作的午休時(shí)，下班后的路上，以及睡前，刷著手機(jī)聽聽歌寫寫評論，也比較符合用戶的聽歌習(xí)慣 。
評論用戶性別分布
聽歌的人群性別分布是如何的呢？經(jīng)過分析發(fā)現(xiàn) ， 男性占比達(dá)到壓倒性的67.08% ， 女性占比較少為16.43%，另外16.49%的用戶沒有標(biāo)注性別 。可見聽《驚雷》的更多是男性群體 。
評論用戶年齡分布
分析發(fā)現(xiàn) ， 用戶大多集中在14-30歲之間，以20歲左右居多，除去異常和虛假年齡之外，這個(gè)年齡分布也符合網(wǎng)易云用戶的年齡段 。
評論用戶地區(qū)分布
從城市分布圖中可以看出 ， 評論用戶涵蓋了全國各大省份，其中廣東的評論用戶排名第一，其次是山東、河北、河南等省份 。
根據(jù)網(wǎng)易云曾發(fā)布的音樂數(shù)據(jù)，北上廣深等發(fā)達(dá)地帶的用戶對小眾音樂情有獨(dú)鐘，這些城市聚集了大量的小眾音樂用戶，其中廣東也是聚集了眾多熱愛電音的用戶，堪稱最電音省份 。
同時(shí)我們查詢了2019年全國各省份的人口排名 ， 排名前三的省份是：廣東、山東、河南 ， 這個(gè)結(jié)果也與分布圖較為吻合 ， 果然還是人多力量大 。
評論情感正負(fù)分布
那么評論中大家對《驚雷》更多是稱贊還是吐槽呢？接著我們對評論區(qū)的留言進(jìn)行了情感分析，使用的是百度的API 。
我們定義了一個(gè)函數(shù)獲取情感評分正向和負(fù)向的概率值，值介于[0,1]之前，越接近1，情感越偏向于積極，反之則越消極 。
通過評論情感得分分布圖，可以發(fā)現(xiàn)：
在1534條數(shù)據(jù)中，有780條數(shù)據(jù)評分分值在[0,0.05]之間，占比50.08% ， 有一半以上的用戶對這首歌表達(dá)了非常厭惡的情緒 。我們還看到 ， 有227個(gè)樣本的評分在0.95以上，屬于非常正向 ， 這些正向評論真的正向嗎？
我們不妨看幾條這些評論：
比如這一條：
謝謝，這首‘歌’我笑吐了
明顯是屬于負(fù)向的情緒，但是因?yàn)檎虻年P(guān)鍵詞比較多,百度的情感分析程序給了0.97分，所以可以看出這里的正向評分也是有誤差 。
還有這一條：
緩速器是什么意思？緩速器是作為剎車系統(tǒng)的輔助裝置來使用的，主要應(yīng)用于5噸以上的客車和12噸亦或是拉貨的貨車 。對于經(jīng)常在山區(qū)或丘陵地帶行駛的汽車 。
突然感覺楊坤老師有點(diǎn)偉大
這首歌雖然是贊揚(yáng)楊坤老師，但是放到這里是表達(dá)貶義，但是程序并沒有判斷出來 ， 間接說明程序還是沒有人聰明?。夂夏芰Σ蛔?漢語語境情況復(fù)雜） 。
所以實(shí)際上大部分評論帶著反諷的口吻 ， 我們可以大膽推斷，這首歌的負(fù)向情緒占比至少上升10~15%個(gè)百分點(diǎn) 。
評論詞云分布：
通過文本分析，可以看出大家對這首歌的評論集中對楊坤和MC六道的討論上，吐槽點(diǎn)主要集中在關(guān)于歌曲的難聽、俗氣、"抄襲"等 。同時(shí)也表達(dá)了對于喊麥和"音樂"的討論上 。
03加快軟驅(qū)傳輸速度：往軟盤上存貯較多資料時(shí) ， 讓人等得真有點(diǎn)煩 。人們不可能對軟驅(qū)的機(jī)械結(jié)構(gòu) 進(jìn)行改造 ， 但可以通過修改系統(tǒng)注冊表以獲得較高的數(shù)據(jù)傳輸速度 ， 具體方法 如下：打開系統(tǒng)注冊表編輯器，找到 “HEKY-LOCAL-MACHINESystemCurrentControlsetServicesClassFCD00，在其右邊的窗口空白處，占擊鼠標(biāo)的右健新建一個(gè)“DWORD”值，命名為 “ Fore-Fifo”，健值設(shè)定為“0” 。最后關(guān)閉注冊表面化編輯器，重新啟動電 腦，一切就OK了!
教你用Python分析
網(wǎng)易云音樂《驚雷》的評論
我們使用Python獲取并分析了網(wǎng)易云音樂上《驚雷2020》相關(guān)的評論數(shù)據(jù)并進(jìn)行了以下部分處理和分析，整個(gè)分析過程分為以下幾個(gè)步驟：

1. 數(shù)據(jù)獲取
2. 數(shù)據(jù)讀入與數(shù)據(jù)預(yù)處理
3. 數(shù)據(jù)分析和可視化

01 數(shù)據(jù)獲取此次爬蟲部分主要是調(diào)用官方API，本次用到的API主要是：
http://music.163.com/api/v1/resource/comments/R_SO_4_{歌曲ID}?limit={每頁限制數(shù)量}&offset={評論數(shù)總偏移}
參數(shù)說明如下：
{歌曲ID}：歌曲ID
limit：限制每頁獲取的數(shù)據(jù)條數(shù)
offset：翻頁參數(shù)偏移量，offset需要是limit的倍數(shù)
返回的數(shù)據(jù)格式為json，通過此接口目前每天獲取的數(shù)據(jù)量限制是1000條，代碼思路如下：

1. 先獲取一頁的數(shù)據(jù)，并封裝成解析函數(shù)parse_one_page
2. 變化offset參數(shù)，循環(huán)構(gòu)建URL，并調(diào)用解析函數(shù)

具體代碼如下：
導(dǎo)入庫importrequestsimportjsonimporttimeimportpandasaspddefparse_one_page(comment_url):"""功能：給定一頁的評論接口，獲取一頁的數(shù)據(jù) 。"""添加headersheaders = {user-agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.113 Safari/537.36}發(fā)起請求r = requests.get(comment_url, headers=headers)解析數(shù)據(jù)comment_data = https://www.45baike.com/post/r.json()[comments]獲取用戶IDuser_id = [i[user][userId]foriincomment_data]獲取用戶昵稱nick_name = [i[user][nickname]foriincomment_data]獲取評論IDcomment_id = [i[commentId]foriincomment_data]獲取評論內(nèi)容content = [i[content]foriincomment_data]獲取評論時(shí)間content_time = [i[time]foriincomment_data]獲取點(diǎn)贊liked_Count = [i[likedCount]foriincomment_data]df_one = pd.DataFrame({user_id: user_id,nick_name: nick_name,comment_id: comment_id,content: content,content_time: content_time,liked_Count: liked_Count})returndf_onedefget_all_page(song_id):"""功能：獲取100頁短評：目前接口一天最多獲取數(shù)據(jù)量"""df_all = pd.DataFrame()foriinrange(101):最多100頁url =http://music.163.com/api/v1/resource/comments/R_SO_4_{}?limit=10&offset={}.format(song_id, i*10)調(diào)用函數(shù)df = parse_one_page(comment_url=url)循環(huán)追加df_all = df_all.append(df, ignore_index=True)打印進(jìn)度print(我正在獲取第{}頁的信息.format(i1))休眠一秒time.sleep(1)returndf_allif__name__ ==__main__:驚雷song_id =1431580747運(yùn)行函數(shù)df_jl = get_all_page(song_id) 獲取到的數(shù)據(jù)如下所示，此次我們一共獲取了兩天的數(shù)據(jù) ， 經(jīng)過去重得到1534條樣本 ， 來分析一下《驚雷》這首歌的用戶和評價(jià)信息 。獲取的數(shù)據(jù)集主要包含了以下的信息：評論ID、用戶ID、用戶昵稱、用戶評論、評論時(shí)間、評論點(diǎn)贊 。根據(jù)用戶ID可以獲取評論用戶相關(guān)信息 ， 此處暫不做贅述 。提取正負(fù)概率positive_prob = [i[0][positive_prob]foriinscore_list]negative_prob = [i[0][negative_prob]foriinscore_list]增加列df_comment[positive_prob] = positive_probdf_comment[negative_prob] = negative_prob添加正向1 負(fù)向-1標(biāo)簽df_comment[score_label] = df_comment[positive_prob].apply(lambdax:1ifx>0.5else-1) df_comment.head()02 數(shù)據(jù)讀入與數(shù)據(jù)預(yù)處理此處，我們將對獲取的評論數(shù)據(jù)集進(jìn)行以下的處理以方便后續(xù)的分析：

1. 讀入數(shù)據(jù)和數(shù)據(jù)合并，去除重復(fù)值
2. 評論時(shí)間：將評論時(shí)間轉(zhuǎn)換為標(biāo)準(zhǔn)時(shí)間
3. 用戶評論：使用jieba分詞對評論數(shù)據(jù)進(jìn)行分詞處理 。

代碼實(shí)現(xiàn)如下：
讀入數(shù)據(jù)、合并、去重
輸入API Key和Secret Keyak =你的API Keysk =你的Secret Keyhost =https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id={}&client_secret={}.format(ak, sk)發(fā)起請求r = requests.post(host)獲取tokentoken = r.json()[access_token]defget_sentiment_score(text):"""輸入文本，返回情感傾向得分"""url =https://aip.baidubce.com/rpc/2.0/nlp/v1/sentiment_classify?charset=UTF-8&access_token={}.format(token)data = https://www.45baike.com/post/{text: text}data = json.dumps(data)try:res = requests.post(url, data=data, timeout=3)items_score = res.json()[items]exceptExceptionase:time.sleep(1)res = requests.post(url, data=data, timeout=3)items_score = res.json()[items]returnitems_score獲取情感傾向分值并存入列表score_list = [] step = 0foriindf_comment[content]:score = get_sentiment_score(i)打印進(jìn)度step= 1print(我正在獲取第{}個(gè)評分.format(step), end=\r)score_list.append(score)評論時(shí)間處理
提取正負(fù)概率positive_prob = [i[0][positive_prob]foriinscore_list]negative_prob = [i[0][negative_prob]foriinscore_list]增加列df_comment[positive_prob] = positive_probdf_comment[negative_prob] = negative_prob添加正向1 負(fù)向-1標(biāo)簽df_comment[score_label] = df_comment[positive_prob].apply(lambdax:1ifx>0.5else-1) df_comment.head()03 使用百度API進(jìn)行情感分析情感分析是NLP的重要部分 。這里我們使用百度的API，來進(jìn)行情感分析 ， 經(jīng)測試這個(gè)API接口結(jié)果相對比較準(zhǔn)確 。我們定義了一個(gè)函數(shù)獲取情感評分正向和負(fù)向的概率值 。返回結(jié)果解釋：以正向概率positive_prob為例，值介于[0,1]之前 ， 越接近1，情感越偏向于積極 。
代碼和結(jié)果如下：
異常值處理df_comment[content] = df_comment[content].replace(??,黑人抬棺)輸入API Key和Secret Keyak =你的API Keysk =你的Secret Keyhost =https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id={}&client_secret={}.format(ak, sk)發(fā)起請求r = requests.post(host)獲取tokentoken = r.json()[access_token]defget_sentiment_score(text):"""輸入文本，返回情感傾向得分"""url =https://aip.baidubce.com/rpc/2.0/nlp/v1/sentiment_classify?charset=UTF-8&access_token={}.format(token)data = https://www.45baike.com/post/{text: text}data = json.dumps(data)try:res = requests.post(url, data=data, timeout=3)items_score = res.json()[items]exceptExceptionase:time.sleep(1)res = requests.post(url, data=data, timeout=3)items_score = res.json()[items]returnitems_score獲取情感傾向分值并存入列表score_list = [] step = 0foriindf_comment[content]:score = get_sentiment_score(i)打印進(jìn)度step= 1print(我正在獲取第{}個(gè)評分.format(step), end=\r)score_list.append(score)最后提取正負(fù)向的概率，并添加標(biāo)簽 。將positive_prob>0.5定義為正向 。
提取正負(fù)概率positive_prob = [i[0][positive_prob]foriinscore_list]negative_prob = [i[0][negative_prob]foriinscore_list]增加列df_comment[positive_prob] = positive_probdf_comment[negative_prob] = negative_prob添加正向1 負(fù)向-1標(biāo)簽df_comment[score_label] = df_comment[positive_prob].apply(lambdax:1ifx>0.5else-1) df_comment.head()04 數(shù)據(jù)可視化
我們將進(jìn)行以下的數(shù)據(jù)可視化

1. 評論數(shù)時(shí)間(按小時(shí))分布
2. 評論用戶性別占比
3. 評論用戶年齡分布
4. 評論用戶地區(qū)分布
5. 評論情感得分正負(fù)向標(biāo)簽占比分析-基于百度自然語言處理API
6. 評論情感得分分布
7. 評論詞云分析

評論數(shù)時(shí)間(按小時(shí))分布
age_num = pd.Series(df_user.age.value_counts())刪除異常值age_num = age_num.drop([未知,-5,-9,0,1,6,7]) age_num = pd.DataFrame(age_num).reset_index().rename({index:age,age:num}, axis=1)分箱age_num[age_cut] = pd.cut(age_num.age, bins=[10,15,20,25,30,35])分組匯總age_cut_num = age_num.groupby(age_cut)[num].sum()frompyecharts.chartsimportBar繪制柱形圖bar1 = Bar(init_opts=opts.InitOpts(width=1350px, height=750px))bar1.add_xaxis(age_cut_num.index.astype(str).tolist())bar1.add_yaxis("數(shù)量", age_cut_num.values.tolist(), category_gap=20%)bar1.set_global_opts(title_opts=opts.TitleOpts(title="評論用戶年齡分布"),visualmap_opts=opts.VisualMapOpts(max_=180),toolbox_opts=opts.ToolboxOpts())bar1.render()經(jīng)過統(tǒng)計(jì)，此次數(shù)據(jù)采樣日期來自4.22~4.24日 。
通過評論時(shí)間按小時(shí)分布圖可以看出 ， 評論數(shù)在一天當(dāng)中從5點(diǎn)開始一路攀升，一天有三個(gè)小高峰：13點(diǎn)-17點(diǎn)-21點(diǎn) 。
評論用戶性別占比
計(jì)算占比gender_perc = df_user[gender].value_counts()/ df_user[gender].value_counts() .sum()gender_perc = np.round(gender_perc*100,2)frompyecharts.charts import Pie繪制餅圖pie1 = Pie(init_opts=opts.InitOpts(width=1350px, height=750px))pie1.add("",[*zip(gender_perc.index, gender_perc.values)],radius=["40%","65%"])pie1.set_global_opts(title_opts=opts.TitleOpts(title=評論用戶性別分布),legend_opts=opts.LegendOpts(orient="vertical", pos_top="15%", pos_left="2%"),toolbox_opts=opts.ToolboxOpts()) pie1.set_series_opts(label_opts=opts.LabelOpts(formatter="{c}%"))pie1.set_colors([D7655A,FFAF34,3B7BA9,EF9050,6FB27C])pie1.render()通過評論用戶性別分布圖可以看出 ， 在評論用戶中男性用戶占到了67.08% 。
評論用戶年齡分布
age_num = pd.Series(df_user.age.value_counts())刪除異常值age_num = age_num.drop([未知,-5,-9,0,1,6,7]) age_num = pd.DataFrame(age_num).reset_index().rename({index:age,age:num}, axis=1)分箱age_num[age_cut] = pd.cut(age_num.age, bins=[10,15,20,25,30,35])分組匯總age_cut_num = age_num.groupby(age_cut)[num].sum()frompyecharts.chartsimportBar繪制柱形圖bar1 = Bar(init_opts=opts.InitOpts(width=1350px, height=750px))bar1.add_xaxis(age_cut_num.index.astype(str).tolist())bar1.add_yaxis("數(shù)量", age_cut_num.values.tolist(), category_gap=20%)bar1.set_global_opts(title_opts=opts.TitleOpts(title="評論用戶年齡分布"),visualmap_opts=opts.VisualMapOpts(max_=180),toolbox_opts=opts.ToolboxOpts())bar1.render()用戶年齡分布圖可以看出，用戶大多集中在14-30歲之間，以20歲左右居多，除去異常和虛假年齡之外，這個(gè)年齡分布也符合網(wǎng)易云用戶的年齡段 。
評論用戶城市分布Top10
province_num = df_user.province_name.value_counts()province_num.index = province_num.index.str[:2]province_top10 = province_num[:10]柱形圖bar2 = Bar(init_opts=opts.InitOpts(width=1350px, height=750px))bar2.add_xaxis(province_top10.index.tolist())bar2.add_yaxis("城市", province_top10.values.tolist())bar2.set_global_opts(title_opts=opts.TitleOpts(title="評論者Top10城市分布"),visualmap_opts=opts.VisualMapOpts(max_=120),toolbox_opts=opts.ToolboxOpts())bar2.render()frompyecharts.chartsimportGeofrompyecharts.globalsimportChartType地圖geo1 = Geo(init_opts=opts.InitOpts(width=1350px, height=750px))geo1.add_schema(maptype=china)geo1.add("", [list(z)forzinzip(province_num.index.tolist(), province_num.values.tolist())],type_=ChartType.EFFECT_SCATTER,blur_size=15) geo1.set_global_opts(title_opts=opts.TitleOpts(title=評論者國內(nèi)城市分布),visualmap_opts=opts.VisualMapOpts(max_=120))geo1.set_series_opts(label_opts=opts.LabelOpts(is_show=False))geo1.render()地圖map1 = Map(init_opts=opts.InitOpts(width=1350px, height=750px)) map1.add("", [list(z)forzinzip(province_num.index.tolist(), province_num.values.tolist())],maptype=china)map1.set_global_opts(title_opts=opts.TitleOpts(title=評論者國內(nèi)城市分布),visualmap_opts=opts.VisualMapOpts(max_=120),toolbox_opts=opts.ToolboxOpts())map1.render()城市分布圖中可以看出，評論用戶涵蓋了全國各大省份 ， 其中廣東的評論用戶排名第一 。
評論情感得分正負(fù)向標(biāo)簽占比分析
label_num= df_comment.score_label.value_counts() / df_comment.score_label.value_counts().sum()label_perc = np.round(label_num,3) label_perc.index = [負(fù)向,正向] label_perc負(fù)向0.701正向0.299Name:score_label,dtype:float64繪制餅圖pie2 = Pie(init_opts=opts.InitOpts(width=1350px, height=750px))pie2.add("",[*zip(label_perc.index, label_perc.values)],radius=["40%","65%"])pie2.set_global_opts(title_opts=opts.TitleOpts(title=評論情感標(biāo)簽正負(fù)向分布),legend_opts=opts.LegendOpts(orient="vertical", pos_top="15%", pos_left="2%"),toolbox_opts=opts.ToolboxOpts()) pie2.set_series_opts(label_opts=opts.LabelOpts(formatter="{c}%"))pie2.set_colors([3B7BA9,EF9050])pie2.render()通過分布圖可以看出，評論內(nèi)容中70%左右的內(nèi)容表達(dá)了負(fù)向的情緒 ， 說明對于《驚雷》這首喊麥的歌曲，大眾主要持批判的觀點(diǎn) 。
情感評論得分分布
定義分隔區(qū)間bins=[0,0.05,0.1,0.15,0.2,0.25,0.3,0.35,0.4,0.45,0.5,0.55,0.6,0.65,0.7,0.75,0.8,0.85,0.9,0.95,1.0]positive_num=pd.cut(df_comment.positive_prob,bins).value_counts()positive_num=positive_num.sort_index()柱形圖bar3=Bar(init_opts=opts.InitOpts(width=1350px,height=750px))bar3.add_xaxis(positive_num.index.astype(str).tolist())bar3.add_yaxis("",positive_num.values.tolist(),category_gap=5%)bar3.set_global_opts(title_opts=opts.TitleOpts(title="評論情感得分"),visualmap_opts=opts.VisualMapOpts(max_=500),toolbox_opts=opts.ToolboxOpts())bar3.render()通過評論情感得分分布圖，可以發(fā)現(xiàn)，在1534條數(shù)據(jù)中，有780條數(shù)據(jù)評分分值在[0,0.05]之間，占比50.08% 。
評論詞云分析
此處數(shù)據(jù)處理主要使用jieba分詞，步驟暫略 。
frompyecharts.chartsimportWordCloudfrompyecharts.globalsimportSymbolTypeword1 = WordCloud(init_opts=opts.InitOpts(width=1350px, height=750px))word1.add("", [*zip(key_words.words, key_words.num)],word_size_range=[20,200],shape=SymbolType.DIAMOND)word1.set_global_opts(title_opts=opts.TitleOpts(網(wǎng)易云音樂關(guān)于驚雷評論詞云),toolbox_opts=opts.ToolboxOpts(),)word1.render()【百度情感分析api怎么用 百度情感分析】不要在意人生成本：世上本沒有免費(fèi)的午餐，若想獲得什么，首先要學(xué)會付出 。不勞而獲是很困難的，幾近于天方夜譚 。但是 ， 在付出的同時(shí) ， 不應(yīng)該有太強(qiáng)的目的性 。否則 ， 不僅僅是在侮辱對方，也是在侮辱自己 。我想 ， 總有些東西是無價(jià)的，總有些事情是無償?shù)模傆行┤四軌蜃龅綗o怨無...

猜你喜歡

• ai情感分析 百度ai情感
• 百度情感分析原理 百度情感分析
• 語音情感識別 百度情感識別
• 戀愛情感咨詢免費(fèi) 戀愛情感咨詢技巧
• 百度情感分析原理 百度ai 情感分析
• 音樂情感識別 百度情感識別
• 百度極速版賺錢可靠嗎 百度極速版賺錢
• 分析測試百科網(wǎng)是干嘛的 分析測試百科網(wǎng)
• 測情感澤水困變澤風(fēng)大過 測情感
• python文本情感分析 百度文本情感分析