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8月12，《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，恋习Python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：
1.数据获取清洗
整体思路与之前获取《邪不压正》评论一样，详情见《邪不压正》评分持续走低，上万条网友评论揭秘，是救救姜文还是救救观众？具体代码在恋习Python公共账号后台回复“爱情公墓”即可获取。
2.数据分析可视化
我们将用Python的两个模块pddas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？
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。
由于篇幅原因，今天就不在文中贴代码了，需要学习练习的，在恋习Python公共账号后台回复“爱情公墓”即可获取（我会打包邮给你们的）
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。
本文授权转自：恋习 Python
数据与算法之美
用数据解决不可能
长按扫码关注
