百度贴吧数据分析

原文：2025 计算概论 C 钱丽艳班助教团队，版本 1.0，日期 2025 年 11 月 27 日。本页保留 PDF 对应部分全文，章节编号沿用原文。

课程与提交说明 · 公共要求与 Python 基础 · 完整 PDF（网盘链接待补充）

1 . 选题一：百度贴吧数据分析

利用Python 提供的aiotieba包（我已经将它封装成了dataHelper.py工具，具体流程可参考本文档的第C 节及附录）获取指定贴吧的数据，并进行多维度的挖掘，你可以做的包括但不限于：

• 数据获取与清洗：选定如“北京大学吧”、“考研吧”等感兴趣的贴吧，利用工具爬取贴子标题、正文、用户信息（等级、性别）、回复数、点赞数等字段。需要对数据进行基础清洗，如处理缺失值、转换时间格式等。

• 基础的数据分析任务：

  • 描述性统计：分析发贴人的男女比例、会员比例、等级分布等数字特征。

  • 时间序列等分析：绘制贴子发布时间（按小时/天）与发贴量的折线图，探究用户的活跃时间段。

  • 多个不同字段之间的关系：绘制关系图来探究不同变量之间可能存在的关系。

• 进阶任务：

  • 文本挖掘：对贴子正文进行分词与去停用词处理，生成词云图以展示热门话题（如“考研”、“专业”等）。

  • 大模型应用：利用大语言模型（如ChatGPT、DeepSeek）对贴子内容进行情感分析（判断正负向情绪），或学习贴吧特定的语言风格进行文本生成。

B aiotieba 包介绍

aiotieba（Asynchronous I/O Client for Baidu Tieba）包能够帮助我们获取百度贴吧的数据，其采用异步函数来实现对贴吧数据的循环爬取。在使用前，你需要先进行pip install aiotieba来安装这个包。

为了了解这个包的用法，我们可以参考链接中的示例代码：

import asyncio
import aiotieba

async def main():
    async with aiotieba.Client() as client:
        threads = await client.get_threads("天堂鸡汤")
        for thread in threads[3:6]:
            print(f"tid={thread.tid} text={thread.text}")

asyncio.run(main())

其输出结果（2024 年10 月24 日下午15:55）为

tid=9233782272 text=8u也会有这种情况吗
就是感觉和自己聊天的人有时候不太愿意和自己聊，比较冷漠或者只是回应也不开启新的话题。然后我就也不想说新的话题了，毕竟看上去显得我很上赶着也很丢人。
这种是不是直接删掉比较好喵。
写着写着文档突然被死去的尴尬记忆攻击了，真是没脸见人了感觉
tid=9234876404 text=刷到一个关于社交的帖子有感而发
网络上有很多鼠鼠不会聊天呢（楼主也是），所以我就在想可不可能开一个帖子，好让吧友们互相交流经验呢
tid=9224958650 text=来玩一玩近期流行的宾果游戏

我们仔细来看这个main() 函数，它用aiotieba 所提供的Client() 类来爬取数据，爬取贴吧的名字放在client.get_threads()函数的参数中，如示例中爬取“天堂鸡汤吧”的数据，就把参数设置为"天堂鸡汤"。爬取到数据后，数据会放在变量threads中，它像是一个容器一样，你可以访问其中的元素。

接下来，我们可以遍历容器threads的第3 到第5 个元素，并输出其tid（贴吧的某种标识符）和text（内容），结果就像上面展示的一样，这就是aiotieba 包的基本用法。

除了tid 和text 之外，threads变量中存放的爬取到的数据还有其他很多字段，比如我们print其中的一个看看：

print(threads[5])
# 结果为Thread(contents=Contents_t(objs=[FragEmoji(id='image_emoticon7', desc='开心'), FragImage_t(src='http://tiebapic.baidu.com/forum/w%3D720%3Bq%3D60%3Bg%3D0/sign=70 a1be67cdd4b31cf03c96b9b7ed5642/6164 e011b912c8fcf98253e9ba039245d7882195.jpg?tbpicau=2024-11-04-05_4309435baad6e0da31eefab4227a2600', big_src='http://tiebapic.baidu.com/forum/w%3D960%3Bq%3D60/sign=ca53aa3d6bf5e0feee1885076c5b4595/6164 e011b912c8fcf98253e9ba039245d7882195.jpg?tbpicau=2024-11-04-05_cc8dcbeb222ee5a0e22dcb0ff5010de0', origin_src='http://tiebapic.baidu.com/forum/pic/item/6164e011b912c8fcf98253e9ba039245d7882195.jpg?tbpicau=2024-11-04-05_e05dd8c5578eecab1e928136eefac4e5',origin_size=460898, show_width=560, show_height=574)]), title='来玩一玩近期流行的宾果游戏', fid=27782931, fname='天堂鸡汤', tid=9224958650, pid=151087589649, user=UserInfo_t(user_id=1178798893, portrait='tb.1.f5b06fbc.QtSz3x2Jz6BEDZCW7icoKQ',user_name='小斩酱', nick_name_new='白雨衣.', level=8, glevel=9,gender=<Gender.FEMALE: 2>, icons=['load_sevenday_icon', 'November1_icon'], is_bawu=False, is_vip=False, is_god=True,priv_like=<PrivLike.PUBLIC: 1>, priv_reply=<PrivReply.ALL: 1>),author_id=1178798893, vimage=VirtualImage(enabled=False, state=''), type=0, tab_id=0, is_good=False, is_top=False, is_share=False, is_hide=False, is_livepost=False, vote_info=VoteInfo(title='', is_multi=False, options=[], total_vote=0, total_user=0),share_origin=ShareThread(contents=Contents_st(objs=[]), title='',author_id=0, fid=0, fname='', tid=0, pid=0, vote_info=VoteInfo(title='', is_multi=False, options=[], total_vote=0, total_user=0)), view_num=42194, reply_num=154, share_num=8, agree=341,disagree=1, create_time=1729187410, last_time=1729755699)

可以看到，里面有很多有用的字段，比如nick_name_new是昵称，level是贴吧等级，gender是性别等，我们可以类似地获取其中对我们有用的字段：

import asyncio
import aiotieba

async def main():
    async with aiotieba.Client() as client:
        threads = await client.get_threads("天堂鸡汤")
        for thread in threads[3:6]:
            print(f"title={thread.title} nickname={thread.user.nick_name_new} gender={thread.user.gender} text={thread.text}")

asyncio.run(main())

输出的结果就是

title=来玩一玩近期流行的宾果游戏nickname=白雨衣. gender=2 text=来玩一玩近期流行的宾果游戏

我们可以用这种方式来获取我们希望使用的字段。如果你觉得非常困难，甚至看不懂这个代码，没关系！我已经帮你把这个功能实现在了dataHelper.py 文件中，具体使用方法可以参考附录C.2中的使用过程。

C 百度贴吧数据分析示例

我在这里使用ChatGPT-4o 辅助来对“北京大学吧”和“清华大学吧”上面收集到的数据作为示例来进行分析。首先，你需要下载我所提供的附件tieba 文件并解压，然后cd 到tieba 目录下。

C.1 必做：选题背景

可以随便写一些东西，比如想要“考察北京大学贴吧的盛况”，你可以选择一个或者几个自己感兴趣的、有意思的贴吧来进行分析，写出自己为什么想选这几个贴吧来分析。

C.2 必做：数据获取及介绍

数据获取的代码参考附件中的dataHelper.py。这个函数我已经帮你实现的非常好了，使用方法就是运行这个Python 文件，然后输入你想爬取的贴吧名字，如果输入多个贴吧的话，贴吧之间用空格隔开。比如要爬取“北京大学吧”和“清华大学吧”的数据，在运行Python 文件后，我们输入

北京大学清华大学

就会自动执行爬取代码：

图1: dataHelper.py 爬取“北京大学吧”和“清华大学吧”

当出现如图1中“爬取成功！”的字样时，就说明贴吧数据已经爬取完成了。在我的设定下，基本1 分钟就能够爬取几千条贴吧数据。数据包括以下字段：

字段	含义	字段	含义
user_name	用户名	view	有多少人看过这个贴子
nick_name	昵称	reply	有多少人评论过这个贴子
level	在本贴吧中的等级	share	有多少人分享过这个贴子
glevel	贴吧用户成长等级	agree	有多少人赞同过这个贴子
gender	性别（1 为Male，2 为Female）	disagree	有多少人反对过这个贴子
is_vip	是否是贴吧会员	create_time	贴子的发布时间
title	贴子标题	last_time	贴子最后回复时间
text	贴子的正文内容

表1: 爬取贴吧数据相关字段所代表的含义

注意，在运行之前一定要记得先cd 到tieba 文件所在目录下，否则将DataFrame 转化为csv文件时会出现找不到目标文件夹的错误。

在这一步你需要选择自己想要爬取的贴吧并进行爬取，然后选择你想使用的字段，比如你的分析中可能并不需要“有多少人分享过这篇贴子”和“是否是贴吧会员”这两个字段，你就可以把它们去掉，只选择你接下来分析的时候需要使用的字段。

为了对数据进行简单的查看并写在报告中，你可以参考我提供的checkData.py文件，将其中的文件地址替换为你爬取到的数据所存放地址，就可以打印出来第一条数据的相关信息、所选用字段、数据的数目，比如我这里的结果就是:

图2: 数据查看结果

在这一步中，希望你能够简单描述一下你所收集到的数据。如果你希望收集到更多的数据，可以更改dataHelper.py文件中for 循环的次数；你也可以通过修改it_tuple和df两个变量来添加其他字段。

C.3 必做：数据分析

在数据分析和探索性任务部分，我们需要用Python 代码来对数据及其性质进行一些简单的描述，在这一过程中的代码我们可以通过大模型辅助来完成（其实其他涉及到代码的部分也都可以使用大模型辅助）。

C.3.1 分析示例1: 描述数据的性质

有些数据的性质我们是无法仅仅通过看数据得出，或者是不容易看出来的，有时候需要对数据进行某种计算才行。比如最简单的，由于没有贴吧会员的人发的贴子是广告的可能性比有贴吧会员的人要大，分析有贴吧会员的人的贴子才是更有意义的，所以我们可能希望统计收集到的数据中有多少人拥有贴吧会员，我们可以把需求输入给大语言模型：

我收集到了北京大学贴吧的数据，放在了'./result/北京大学.csv'路径下。现在我希望进行一些数据分析的工作，首先是一些基础信息，数据存放在csv 格式的文件中，数据的字段有'user_name', 'nick_name', 'level', 'glevel', 'gender', 'is_vip','title', 'text', 'view','reply', 'share', 'agree', 'disagree','create_time', 'last_time'。
其中is_vip 代表该用户是否有贴吧会员，请你帮我写Python 代码，统计出有多少发贴人有贴吧会员，并用它们生成一个新的csv 文件，名为"北京大学_有会员数据.csv"。

其回复为

图3: “描述数据的性质”大语言模型回复

但是在我们的实际数据中，is_vip的取值为False或True，所以需要对AI 给出的代码进行修改。修改后的参考代码放在了getVipData.py中，运行可以得到一个新的csv 文件北京大学_有会员数据.csv ，其中存放了108 条数据，共有57 个不同的发贴人拥有贴吧会员。

或者是要检查数据中是否有缺失值，可以向大模型提问：

我想检查数据中是否有缺失值，请你帮我写python 代码，统计每个字段有多少缺失值。

生成的代码放在了checkNaN.py文件中，我们运行其给出的代码，就能够得到每个字段中有多少缺失值：

图4: 检查缺失值代码

图5: 运行结果

C.3.2 分析示例2: 对数据进行统计

我们可以对数据进行某些统计性的描述，比如画柱状图，统计每个贴吧等级的人有多少个。我们在这里以统计性别比例为例画柱状图，你可以向大模型提问：

统计性别并画饼状图。

运行其代码的结果如图6所示。

图6: 修改前代码生成结果

图7: 修改后代码生成结果

如果你对画的结果不满意，你可以对他提一些别的要求，如把图中的0（代表没有填性别）、1（代表男性）、2（代表女性）来替换，并且修改颜色，你可以向大模型继续提问：

0为未知，1为男性，2为女性，三个的颜色分别换为红色、蓝色、绿色。

运行新的代码，得到的结果如图7所示。相应的代码都已经放在gender.py中。得到这些统计结果后你就可以做一些分析，比如该贴吧中男性更多，女性更少，在某些特定贴吧中或许能够说明原因，比如体育相关贴吧中男性会更多，美妆相关贴吧中女性会更多等。

C.3.3 分析示例3: 探究不同变量之间的关系

不同数据之间可能存在某种联系，比如可以统计性别与发贴量的关系、贴吧等级与发贴量的关系、贴吧等级与评论数的关系等。在这里我们以贴子发布时间与发贴量之间的关系为例进行分析，向大模型提问：

create_time 存放的是贴子的发布时间，格式如2023 -11-13 22:15:51 。请你按照小时进行划分，统计发贴量并绘制折线图。

大模型生成的代码放在了timeplot.py文件中，运行代码得到的结果为结合数据分析得到的折

图8: 贴子发布时间与发贴量之间的关系

线图，就可以分析这个折线图，比如人们一般在上午和下午比较活跃，中午12 点的时候会少一些，可能人们都在吃饭之类的，可以得出一些比较合理的分析结果。

C.4 选做：探索性任务

C.4.1 探索性任务示例1: 词频分析

词频分析就是统计某文本中每个词的频率，对于在贴吧收集到的数据来说，词频分析能够帮助我们了解一些该贴吧讨论较多的“关键词”。我们可以向大模型提问：

'text'中存放的是贴子正文的内容，我想要对所有的贴子正文内容做词频分析，并去掉常见的词，请你帮我写Python 代码。

生成代码放在了fanalysis.py中，在去掉了一些常见词后，词频分析的前10 名为

北大: 3416
专业: 1415
北京大学: 1377
考研: 1306
问题: 1040
同学: 1014
学校: 961
学习: 929
时间: 842
研究: 822

根据词频分析结果，我们就可以看出在这个贴吧中什么话题是热门的，比如在北京大学贴吧中，像“专业”、“考研”等话题比较热门。

C.4.2 探索性任务示例2: 词云生成

为了更形象的看出这些关键词，我们可以使用文本来绘制词云，可以向大模型提问：

用贴子正文内容绘制词云图。

生成代码放在了cloud.py中，运行代码的结果如图9所示。你可以结合词云图进行进一步的分析，比如你可以分别绘制某一时间节点前后的词云图，就可以对比不同时间段贴吧热门话题是如何改变的。相比于直接看词频分析结果，词云图更加清晰和直观。

C.4.3 探索性任务示例3: 情感分析

对于文本来说，有许多模型能够分析文本的情感倾向，如snownlp。我们以北京大学和清华大学两个贴吧为例，来进行情感分析，向大语言模型提问：

请你"北京大学.csv"和"清华大学.csv"中'text'字段的贴子内容分别进行情感分析，随机选择一条，打印text 内容，并输出情感分数。

生成代码放在了compare.py中，运行结果如图10所示。

图9: 词云结果

图10: 情感分析结果

C.4.4 探索性任务示例4: 文本生成

对于贴吧来说，不同贴吧有不同的“氛围”，这种“氛围”可能具体表现为贴吧中发言风格的不同。大语言模型拥有非常强大的文本理解和生成能力，你可以使用大语言模型来学习到这种发言风格，并生成类似风格的文本，如向大语言模型提问：

这是北京大学贴吧中10 条不同贴子的内容，请你生成一条类似的、关于考研的贴子内容。
1.#北大未录取复旦打老师男生#
支持！给力。
2. 抛砖引玉，能如愿否？！
#文章#
3. 找个北大的当媳妇，有没有愿意的

4. 清兵南下入关，京内一片惶恐
京师之军还不投降？
5. 我也想听vv 讲座
有没有哪位报上名的北￿
帮我要个签名可好
6. 这里有几个是北大的呀

7. 向北京大学宣战
战争目标：取得经济学A+
如果不给，那
那鼠鼠就只好跪下来求你们辣
8. 【公告】关于“北京大学” 吧吧主补充资质通知
收到用户举报，吧主“丧心病狂小蜜蜂“不是本校学生。根据校园吧上任吧主相关规定：担任校园吧主必须是本校在校学生，@丧心病狂小蜜蜂由于您上任时未提供资质，需要重新提交。
资质提交流程：
1. 以邮件方式提交：标题（XX 吧校园身份认证+吧名+用户名），发送至xybzsq@baidu.com ；
2. 在邮件正文处请填写贴吧ID 、真实姓名、微信或QQ 联系方式、手机号、以及需提供清晰有效的身份证明，包括学生证封面、学生证照片信息页以及身份证正面电子版（禁止以附件的形式提供）；
3、海外院校的校园吧主，还需额外提供本校官方的授权证书等材料。针对此类校园吧的信息，若有特殊材料可以证明，可一并提交至校园吧主申请邮箱进行审核。
4.xx 吧研究生吧之类带有特定学位学历的校园吧主，还需提供如研究生证、学信网认证和本校官方的授权证书等可证明其学位学历的材料，一并提交至校园吧主申请邮箱进行审核。
官方提示：
1. 请您务必2024 年1月4日12:00 前提交资料。到时未提交将被视为放弃吧主职位，官方会撤销吧主，重新开启通道招募新的吧主。
2. 百度贴吧高度重视用户隐私安全，您提交的个人身份认证信息等资料将仅作审核之用。
百度贴吧管理组
9. 均值和期望有区别吗？

10. 有没有什么比较好吃一点的辣椒酱？可以直接蘸着吃的那种？

大语言模型生成的结果为：

图11: 大语言模型生成类似风格文本

可以看到，大语言模型其实能够学习到贴吧的风格，并且生成类似风格的文本。大家可以尝试不同的操作，用大模型执行一些不同的任务，看看能否生成一些有趣的东西。

除此之外，你也可以自己想想使用这些数据能够探索出来什么东西或者进行什么操作。

C.5 必做：总结

总结一下自己在分析收集到的数据这一过程中的收获，可以是学会了某个Python 包，也可以是发现了这个贴吧的什么特点，或者是学会了怎么用大模型来辅助进行数据分析，有道理即可。

附件参考代码（PDF 之外的配套源文件）

以下代码按附件原样收录，未执行。请结合原始数据和本地环境使用。

dataHelper.py

import asyncio
from datetime import datetime
import aiotieba
import pandas as pd
from tqdm import tqdm
async def main():
    tb_list = input().split()
    for tb in tb_list:
        print(f"--------------------{tb} Begin!--------------------")
        async with aiotieba.Client() as client:
            it_tuple = []
            for pn in tqdm(range(100)):
                threads = await client.get_threads(tb, pn=pn+1, rn=100)
                it_tuple += [(thread.user.user_name, thread.user.nick_name_new, \
                              thread.user.level, thread.user.glevel, thread.user.gender, \
                                thread.user.is_vip, thread.title, thread.text, \
                              thread.view_num, thread.reply_num, thread.share_num, \
                                thread.agree, thread.disagree,
                                datetime.fromtimestamp(thread.create_time).strftime('%Y-%m-%d %H:%M:%S'), \
                                    datetime.fromtimestamp(thread.last_time).strftime('%Y-%m-%d %H:%M:%S')) for thread in threads]
        df = pd.DataFrame(it_tuple, columns=['user_name', 'nick_name', 'level', 'glevel', \
                                              'gender', 'is_vip', 'title', 'text', 'view', 'reply', \
                                                'share', 'agree', 'disagree', 'create_time', 'last_time'])
        df.to_csv(f"./result/{tb}.csv", line_terminator="\r\n", index=False)
    print("爬取完成！")
    
asyncio.run(main())

checkData.py

import pandas as pd

df = pd.read_csv('./result/北京大学.csv')  # 在这里需要替换成你自己csv的path

print('-'*60)
print("数据的第一个为：")
print(df.iloc[0])
print('-'*60)
print("数据的字段为：")
print(df.columns)
print('-'*60)
print("获取数据的数目为：")
print(len(df))

checkNaN.py

import pandas as pd

# Load your dataset
file_path = './result/北京大学.csv'  # Replace with your file path
data = pd.read_csv(file_path)

# Check for missing values in each column
missing_values = data.isnull().sum()

# Print the result
print(missing_values)

getVipData.py

import pandas as pd

# 加载数据
file_path = './result/北京大学.csv'
data = pd.read_csv(file_path)

# 筛选出有贴吧会员的用户数据
vip_data = data[data['is_vip'] == True]

# 保存有会员的用户数据到新的CSV文件
output_path = './result/北京大学_有会员数据.csv'
vip_data.to_csv(output_path, index=False)

# 统计有多少不同的用户是会员
vip_user_count = vip_data['user_name'].nunique()
print(f"有 {vip_user_count} 个不同的发贴人拥有贴吧会员。")

gender.py

import pandas as pd
import matplotlib.pyplot as plt

# 加载数据
file_path = './result/北京大学.csv'
data = pd.read_csv(file_path)

# 统计性别分布
gender_counts = data['gender'].value_counts()

# 绘制饼状图
plt.figure(figsize=(6, 6))
plt.pie(gender_counts, labels=gender_counts.index, autopct='%1.1f%%', startangle=90, colors=['lightblue', 'pink', 'lightgreen'])
plt.title('Gender Distribution of Users')
plt.axis('equal')  # 保持饼状图为圆形
plt.savefig("./img/gender.png")

# 修改后的代码
import pandas as pd
import matplotlib.pyplot as plt

# 加载数据
file_path = './result/北京大学.csv'
data = pd.read_csv(file_path)

# 统计性别分布
gender_mapping = {0: 'Unknown', 1: 'Male', 2: 'Female'}
data['gender_mapped'] = data['gender'].map(gender_mapping)
gender_counts = data['gender_mapped'].value_counts()

# 绘制饼状图，并为不同性别分配对应的颜色
colors = ['red', 'blue', 'green']  # 对应'Unknown', 'Male', 'Female'

plt.figure(figsize=(6, 6))
plt.pie(gender_counts, labels=gender_counts.index, autopct='%1.1f%%', startangle=90, colors=colors)
plt.title('Gender Distribution of Users')
plt.axis('equal')  # 保持饼状图为圆形
plt.show()

plt.savefig("./img/gender1.png")

timeplot.py

import pandas as pd
import matplotlib.pyplot as plt

# 加载数据
file_path = './result/北京大学.csv'
data = pd.read_csv(file_path)

# 将 create_time 转换为 datetime 类型
data['create_time'] = pd.to_datetime(data['create_time'])

# 提取小时信息
data['hour'] = data['create_time'].dt.hour

# 按小时统计发贴量
hourly_post_counts = data['hour'].value_counts().sort_index()

# 绘制发贴量折线图
plt.figure(figsize=(10, 6))
plt.plot(hourly_post_counts.index, hourly_post_counts.values, marker='o', linestyle='-', color='b')

# 添加图表标题和标签
plt.title('Number of Posts by Hour', fontsize=14)
plt.xlabel('Hour of the Day', fontsize=12)
plt.ylabel('Number of Posts', fontsize=12)

# 显示网格
plt.grid(True)

# 展示图表
plt.xticks(range(0, 24))  # 确保X轴显示每个小时
plt.savefig("./img/time.png")

fanalysis.py

import pandas as pd
from collections import Counter
import jieba  # 用于中文分词
from wordcloud import STOPWORDS  # 停用词库

# 加载数据
file_path = './result/北京大学.csv'
data = pd.read_csv(file_path)

# 合并所有贴子正文
all_text = ' '.join(data['text'].astype(str))

# 中文分词
words = jieba.lcut(all_text)

# 加载或定义停用词列表（可以扩展此列表）
stopwords = set(STOPWORDS)  # 英文停用词
stop_list = ['的', '了', '和', '是', '在', '也', '就', '不', '有', '人', '都', '我们', '你', '我', '他', '她', '它', \
             '可以', '一个', '没有', '自己', '什么', '这个', '一下', '就是', '有没有', '知道', '因为', '所以', '不是', \
                '如果', '大家', '需要', '现在', '怎么', '请问']
stopwords.update(stop_list)  # 常见中文停用词

# 去除停用词
filtered_words = [word for word in words if word not in stopwords and len(word) > 1]

# 统计词频
word_counts = Counter(filtered_words)

# 显示出现频率最高的前20个词
most_common_words = word_counts.most_common(10)
print("Top 10 words by frequency:")
for word, freq in most_common_words:
    print(f"{word}: {freq}")

cloud.py

import pandas as pd
import jieba
from wordcloud import WordCloud, STOPWORDS
import matplotlib.pyplot as plt

# 加载数据
file_path = './result/北京大学.csv'
data = pd.read_csv(file_path)

# 合并所有帖子正文内容
all_text = ' '.join(data['text'].astype(str))

# 中文分词
words = jieba.lcut(all_text)

# 定义停用词列表，可以添加更多常见中文停用词
stopwords = set(STOPWORDS)
stop_list = ['的', '了', '和', '是', '在', '也', '就', '不', '有', '人', '都', '我们', '你', '我', '他', '她', '它', \
             '可以', '一个', '没有', '自己', '什么', '这个', '一下', '就是', '有没有', '知道', '因为', '所以', '不是', \
                '如果', '大家', '需要', '现在', '怎么', '请问']
stopwords.update(stop_list)

# 过滤掉停用词
filtered_words = [word for word in words if word not in stopwords and len(word) > 1]

# 重新拼接词语，供词云使用
filtered_text = ' '.join(filtered_words)

# 生成词云
wordcloud = WordCloud(
    font_path='use.ttc',  # 设置中文字体（系统内的中文字体文件路径）
    width=800,
    height=600,
    background_color='white',
    stopwords=stopwords,
    max_words=200
).generate(filtered_text)

# 显示词云图
plt.figure(figsize=(10, 8))
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis('off')  # 不显示坐标轴
plt.savefig("./img/wordcloud.png")

compare.py

import pandas as pd
import random
from snownlp import SnowNLP

# 加载数据
beijing_data = pd.read_csv('./result/北京大学.csv')
tsinghua_data = pd.read_csv('./result/清华大学.csv')

# 从每个数据集中随机选择一条帖子
beijing_sample_text = random.choice(beijing_data['text'].dropna().astype(str).tolist())
tsinghua_sample_text = random.choice(tsinghua_data['text'].dropna().astype(str).tolist())

# 计算情感分数
beijing_sentiment_score = SnowNLP(beijing_sample_text).sentiments
tsinghua_sentiment_score = SnowNLP(tsinghua_sample_text).sentiments

# 打印结果
print("北京大学贴吧随机一条帖子内容：")
print(beijing_sample_text)
print(f"情感分数：{beijing_sentiment_score}\n")

print("清华大学贴吧随机一条帖子内容：")
print(tsinghua_sample_text)
print(f"情感分数：{tsinghua_sentiment_score}")

---

来源：2025 计算概论 C 钱丽艳班助教团队，作业要求 v1.0（2025-11-27）及随附示例代码。