前言
  本课题旨在通过 Python 实现 B 站在线学习用户行为的分析与可视化，以帮助市场参与者深入了解用户行为特点和学习趋势，从而提供准确、全面的用户信息，辅助教育工作者和平台管理者做出明智的决策。研究主要分为数据采集与处理、数据分析与建模、数据可视化三个模块。
在数据采集与处理模块中，使用 Python 编程语言从 B 站爬取用户评论数据和课程信息，并对数据进行清洗和预处理，确保数据的准确性和完整性。通过合理的数据预处理，为后续的分析奠定了基础。在数据分析与建模模块中，对采集到的数据进行统计和分析，细分为用户行为分析、内容分析和情感分析。用户行为分析通过统计用户的评论数量和质量，评估用户的活跃度和参与度，识别高活跃用户和高质量评论。内容分析通过中文分词提取关键词和热门话题，生成词云图展示，并分析评论时间分布，识别用户在不同时间段的活跃情况。情感分析利用自然语言处理技术对评论进行情感倾向分析，计算正面、负面和中性评论的比例，为课程改进提供依据。在数据可视化模块中，将数据分析结果以图表、仪表盘等形式进行展示，直观地呈现用户行为和课程受欢迎程度的信息。使用 ECharts 或 Matplotlib  生成评论趋势图、用户活跃度分析图和情感分析结果展示。
通过本研究，成功揭示了B站在线学习用户的行为特点和趋势，为教育工作者和平台管理者提供了决策参考，并对未来可能的研究方向进行了展望。

一、项目介绍
开发语言：Python
python框架：Django
软件版本：python3.7/python3.8
数据库：mysql 5.7或更高版本
数据库工具：Navicat11
开发软件：PyCharm/vs code

1、requests+DrissionPage 爬B站视频
2、pandas  数据去重清洗等
3、matplotlib 图表展示
4、sklearn机器学习：多元线性回归模型、随机森林模型
5、NLP自然语言处理分析评论情感状态
6、wordcloud 词云图

二、功能介绍
爬取数据，进行数据分析与可视化，然后进行数据挖掘，最后建立一个模型。

1、使用requests爬取B站课堂学习视频播放、分享、收藏等信息和用户评论信息、评论时间等
2、使用pandas对数据进行去重、清洗等预处理
3、图表展示(播放数/收藏数/评论数等柱状图和饼状图展示，评论数和时间的折线图展示，各类型排名展示等)
4、词云图展示(标题词云图和评论词云图)
5、分析评论数量、自然语言处理技术，对评论进行情感倾向分析及图表展示
6、使用随机森林模型对播放量预测

计算收藏数与播放数的比例、分享数与播放数的比例，评估视频内容对用户的吸引力和价值，高收藏率和分享率的视频通常具有较高的质量和独特性。分析评论数量、评论内容的情感倾

本课题旨在通过 Python 实现 B站 在线学习用户行为的分析与可视化，帮助市场参与者深入了解用户行为特点和学习趋势，以提供准确、全面的用户信息，辅助教育工作者和平台管理者做出明智的决策。
根据需求，本项课题研究主要分为数据采集与处理、数据分析与建模、数据可视化三个模块。

数据采集与处理：使用 Python 编程语言从 B站 爬取用户评论数据和课程信息，并对数据进行清洗和预处理，确保数据的准确性和完整性。
数据分析与建模: 对采集到的数据进行统计和分析，细分为用户行为分析、内容分析和情感分析。
（1）用户行为分析：分析评论行为，评估用户的活跃度和参与度。统计用户的评论数量和
质量，识别高活跃用户和高质量评论。
（2）内容分析：对评论内容进行中文分词，提取关键词和热门话题，生成词云图展示。进行评论时间分布分析，识别用户在不同时间段的活跃情况。
（3）情感分析：使用自然语言处理技术，对评论进行情感倾向分析，计算正面、负面和中
性评论的比例，为课程改进提供依据。
数据可视化
将数据分析结果以图表、仪表盘等形式进行展示，直观地呈现用户行为和课程受欢迎程度的信息。使用 ECharts 或 Matplotlib 生成评论趋势图、用户活跃度分析图和情感分析结果展示。
结果与展望
根据数据分析和可视化的结果，得到 B站 在线学习用户的行为特点和趋势，为教育工作者和平台管理者提供相应的决策参考，并对未来可能的研究方向进行展望。
三、核心代码
部分代码：

四、效果图

五、文章目录

五、文章目录
目 录

1 绪论 1
1.1 研究背景与意义 1
1.1.1 研究背景 1
1.1.2 研究意义 2
1.2 预计研究成果 2
1.3 主要研究内容 2
2 相关理论基础 4
2.1 机器学习 4
2.2 机器学习算法 4
2.2.1 随机森林 4
2.2.2 支持向量机 5
2.2.3 贝叶斯网络 6
2.3 模型评估 7
3 数据探索和分析处理 9
3.1 数据来源与预测目标 9
3.1.1 数据来源 9
3.1.2 预测目标 9
3.2 数据预处理 9
3.2.1 数据清洗 10
3.2.2 去停用词 10
3.2 数据探索和可视化分析 11
3.2.1 数据探索 11
3.2.2 性别分布 11
3.2.3 VIP类型分布 13
3.2.4 不同地区的评论数量分布 14
3.2.5 情感分析结果分布 17
4 构建预测模型 21
4.1 训练数据准备 21
4.2 基于随机森林的用户行为预测 21
4.2.1 参数设置与优化器选择 21
4.2.2 训练过程 22
4.3 实验结果 23
4.4 算法对比 26
4.5 模型的应用 26
5 结论 28
5.1 研究总结 28
5.2 研究展望 28
参考文献 30
致谢 32
附录 33

源码获取

源码获取

下方名片联系我即可！！


大家点赞、收藏、关注、评论啦 、查看👇🏻获取联系方式👇🏻