简介：一份基于Python数据可视化的网易云音乐歌单分析系统源码与文档说明项目资源，面向正在学习Python数据分析、需要完成课程设计或期末大作业的高校学生，特别适合用作高分大作业参考。项目完整实现了从网易云音乐歌单数据爬取、数据清洗到可视化分析的全流程，利用numpy、pandas、matplotlib、requests、jieba、wordcloud等第三方库，产出评论、收藏、播放、贡献分布数量图及词云，并给出歌单优化建议。资源共38个文件，包括12个Python源码文件、11个编译缓存pyc文件、7张结果图片、3个CSV数据文件、1个词云字体文件、1个PDF手册、1个DOCX说明文档等，压缩包约12.23MB，文件类型覆盖代码、数据、图表与文档，目录结构清晰便于对照学习。目前已有785人学习浏览，适合需要参考完整数据分析项目流程、练习爬虫与可视化技巧的读者。通过阅读源码和配套文档，可掌握数据获取、清洗、分析、可视化及报告撰写的完整思路，还能了解中文分词、词云生成、矩形树图绘制等具体实现技巧。
1. 期末大作业最常见的翻车点：图表有了，结论没了
“Python 数据分析初探项目 基于 Python 数据可视化的网易云音乐歌单分析系统”，这个标题背后其实是一个很典型的场景：你要在本学期末交出一份能拿高分的数据分析大作业，数据源选的是网易云音乐歌单，手段是 Python 数据分析与可视化，交付物是源码加文档说明。很多人的做法是下载一份歌单数据，画几张柱状图折线图，然后凑出一篇报告，最后被老师问一句“你的图表说明什么”就答不上来。
这个系统的价值不在于图表有多花哨，而在于把“从数据到结论”这条路走通：歌单的播放量、收藏量、歌曲数量、标签分布这些字段，经过清洗、聚合、可视化之后，能回答“什么样的歌单更容易被收藏”“标签和播放量有没有关系”这类具体问题。适合期末大作业、课程设计，也适合刚学完 Pandas 和 Matplotlib 想找个完整练手项目的人。本文按我实际做过的方案来拆解，从数据获取讲到图表输出，最后把遇过的坑都列出来。
2. 先把数据和字段理顺：歌单分析系统的地基
2.1 数据从哪来：接口抓取还是本地文件
做歌单分析，第一步不是写可视化代码，而是先把数据拿到手。常见做法有两种：一种是直接请求网易云的歌单接口拿 JSON，另一种是用现成的导出工具或数据集文件。对期末大作业来说，我建议优先走接口抓取，因为能体现爬虫能力，而且数据是自己抓的，答辩时经得起问。
接口抓取的思路是：歌单列表页的背后有一个分页接口，返回的 JSON 里包含歌单 ID、名称、播放量、收藏数、歌曲数、创建者等信息。请求时带一个 UA 伪装成浏览器，一般就能拿到数据。这里的关键参数是分页的 offset 和 limit，比如一次取 50 个歌单，翻页就改 offset。要注意的是，接口字段名在不同时期会变，你抓回来后先打印一条记录看结构，再决定字段映射。
我自己更常用的方式是先抓一次落盘成 JSON，后面的步骤全部基于本地文件做，避免频繁请求被限流。这样清洗、可视化、写报告可以分开跑，不会因为网络波动导致整个流程挂掉。数据量上，我一般抓 1000 到 2000 个歌单就够分析了，再多对结论帮助不大，反而可能被风控盯上。
import json import time import requests headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36" } playlist_data = [] for offset in range(0, 500, 50): # 10页，每页50条，共500条 url = "https://xxx.example.com/api/playlist" # 换成实际可用的歌单接口 params = {"offset": offset, "limit": 50} resp = requests.get(url, headers=headers, params=params, timeout=10) if resp.status_code != 200: print(f"offset={offset} 请求失败，状态码 {resp.status_code}") break items = resp.json().get("playlists", []) if not items: break playlist_data.extend(items) time.sleep(1) # 控制请求频率，避免被限流 with open("playlists_raw.json", "w", encoding="utf-8") as f: json.dump(playlist_data, f, ensure_ascii=False, indent=2) print(f"抓取完成，共 {len(playlist_data)} 条歌单")这段代码有两点值得说明。第一是sleep(1)，每页请求间隔一秒，这是爬虫的基础素养，也是期末答辩时老师会问到的细节；第二是状态码判断和空列表判断，接口一旦返回异常就停，不会让程序闷头跑下去。offset单位是页内游标，每页 50 条，500 条数据意味着 offset 取 0 到 450 之间每次加 50。如果你只需要做分析演示，200 条也够，重点是后面能讲出故事。
2.2 清洗脚本：把脏数据变成能分析的 DataFrame
抓下来的 JSON 里，播放量可能是字符串“123.4万”，收藏数可能缺失，标签可能是个列表，歌曲数可能是字符串。这些不处理，后面画图全是坑。清洗步骤一般是：从 JSON 里抽出关键字段构建 DataFrame，把“万”转成数字，缺失值统一填充或丢弃，重复歌单去重，最后存成 CSV。
import pandas as pd with open("playlists_raw.json", "r", encoding="utf-8") as f: data = json.load(f) rows = [] for item in data: rows.append({ "playlist_id": item.get("id"), "name": item.get("name"), "play_count": item.get("play_count", 0), "book_count": item.get("book_count", 0), "track_count": item.get("track_count", 0), "tags": item.get("tags", []), "creator": item.get("creator", {}).get("nickname", ""), "create_time": item.get("create_time", 0), }) df = pd.DataFrame(rows) df = df.dropna(subset=["playlist_id", "name"]) df = df.drop_duplicates(subset=["playlist_id"]) def convert_wan(value): if isinstance(value, str): if "万" in value: return float(value.replace("万", "")) * 10000 return float(value) return float(value) df["play_count"] = df["play_count"].apply(convert_wan) df["book_count"] = df["book_count"].apply(convert_wan) df.loc[df["track_count"].isna(), "track_count"] = 0 df["track_count"] = df["track_count"].astype(int) df.to_csv("playlists_clean.csv", index=False, encoding="utf-8-sig") print(df[["name", "play_count", "book_count", "track_count"]].head())这里四个操作要重点理解。dropna只针对主键字段，歌单名和 ID 为空的行没有分析价值，直接丢；drop_duplicates用歌单 ID 去重，因为分页抓取时可能遇到同一个歌单出现在不同页。convert_wan是核心转换函数，把“123.4万”拆成数字再乘 10000，这里必须写成函数而不是循环体内重复代码，因为 Pandas 的apply比遍历快一个量级。最后存 CSV 时用utf-8-sig编码，这是 Windows 下 Excel 打开不乱码的关键参数，很多人在这一步翻车。
清洗完先别急着画图，先跑一句df.describe()看分布。我一般会检查 play_count 的最大值、中位数、是否出现极端值，这决定后面可视化用线性的还是对数的坐标轴。
3. 可视化落地：让图表替你说话
3.1 图表选型：先定结论再定图
数据可视化最忌讳的是“先画一堆图再说”。正确的操作是先问自己：老师看完报告，希望你记住什么结论？对歌单分析系统来说，三个问题值得回答：播放量分布是否极端、收藏量和播放量是否相关、哪些标签的歌单更容易受欢迎。三个问题对应三张图：直方图、散点图、标签条形图。
选型逻辑也很简单：分布看直方图，相关性看散点图，排名看条形图。不要一上来就用 echarts 画炫酷的动态图，默认的 Matplotlib 足够拿高分，关键是你能不能解释清楚每个轴的含义。如果你的报告需要交互式图表，用 pyecharts 导出 HTML 是加分项，但那是后期的事，先把静态图做扎实。
3.2 三张核心图：分布、相关与排名
这三张图的代码可以放在一个脚本里，方便统一管理和复现。播放量分布图，重点看是否长尾；收藏和播放的散点图，看有没有线性关系；标签的条形图，把集中出现的标签列出来。图表标题、轴标签、网格线是评分老师最注意的细节。
import matplotlib.pyplot as plt import pandas as pd import numpy as np df = pd.read_csv("playlists_clean.csv", encoding="utf-8-sig") # 图一：播放量分布直方图 plt.rcParams["font.sans-serif"] = ["Microsoft YaHei"] plt.rcParams["axes.unicode_minus"] = False fig, axes = plt.subplots(1, 3, figsize=(16, 5)) axes[0].hist(df["play_count"], bins=50, color="#2d7dd2", edgecolor="white") axes[0].set_title("歌单播放量分布") axes[0].set_xlabel("播放量") axes[0].set_ylabel("歌单数量") axes[0].grid(alpha=0.3) # 图二：收藏量与播放量的散点图 axes[1].scatter(df["play_count"], df["book_count"], alpha=0.4, s=10, c="#d45e5e") axes[1].set_title("收藏量 vs 播放量") axes[1].set_xlabel("播放量") axes[1].set_ylabel("收藏量") axes[1].set_xscale("log") axes[1].set_yscale("log") axes[1].grid(alpha=0.3) # 图三：出现频次最高的前15个标签 from collections import Counter tag_counter = Counter() for tags in df["tags"].dropna(): for tag in tags: tag_counter[tag] += 1 top_tags = tag_counter.most_common(15) tag_names = [t[0] for t in top_tags][::-1] tag_counts = [t[1] for t in top_tags][::-1] axes[2].barh(tag_names, tag_counts, color="#3a923a") axes[2].set_title("歌单标签频次 Top15") axes[2].set_xlabel("歌单数量") axes[2].grid(axis="x", alpha=0.3) plt.tight_layout() plt.savefig("playlist_analysis.png", dpi=150, bbox_inches="tight") plt.show()代码里有两个参数值得细说。plt.rcParams那两行是中文显示的关键，font.sans-serif设置中文字体，axes.unicode_minus解决负号显示成方块的问题；不同操作系统字体名不同，Windows 是 “Microsoft YaHei”，macOS 用 “PingFang SC”，Linux 可能要用 “WenQuanYi Zen Hei”。set_xscale("log")是第二处关键参数，歌单播放量跨好几个数量级，线性刻度会把小播放量的数据堆在原点，对数刻度才能看出分布形态。散点图的alpha=0.4处理大量点重叠时的透明度问题。
3.3 中文显示与导出：答辩现场最容易翻车的两件事
中文乱码是期末大作业里出现频率最高的 bug，没有之一。你本地跑得好好的，到答辩电脑上图表全变方块，这不是玄学，是目标机器没有你指定的中文字体。解决办法有两个：一是在代码里加一个字体探测函数，二是保存成图片而不是依赖交互窗口。我倾向于后者，savefig时指定dpi=150以上，图片直接插入报告，答辩就用这张图，不用现场重新跑。
还有一个容易忽略的点：图表文件命名不要用“图1.png”这种，用playlist_playcount_dist.png这种带语义的名字，后期写文档说明时你才知道哪张图对应哪段分析。另外bbox_inches="tight"这个参数要养成习惯，不然图表标题会被裁掉，这是 Matplotlib 新手最容易忽视的。
def setup_chinese_font(): import matplotlib.font_manager as fm candidates = ["Microsoft YaHei", "SimHei", "PingFang SC", "WenQuanYi Zen Hei"] installed = {f.name for f in fm.fontManager.ttflist} for name in candidates: if name in installed: plt.rcParams["font.sans-serif"] = [name] return plt.rcParams["font.sans-serif"] = [candidates[0]] setup_chinese_font()这个函数的核心逻辑是：候选字体按系统优先级排列，逐个检查是否存在于当前机器，存在就用，不存在就跳过。它的价值在于，你的代码拷贝到任何一台电脑上都能自适应字体，不用改参数。这是我从“本地能跑、换机就挂”的教训里提炼出来的。
4. 避坑：网易云歌单分析里的 5 个典型问题
4.1 播放量带“万”字：排序和分析全错
现象：画条形图时，播放量 12000 的歌单排在 3.2万 前面，因为字符串排序时数字字面量小的排在前面，带“万”的根本不成数值。
原因：网易云接口返回的播放量字段在部分场景下是格式化后的字符串，比如“3.2万”，没有做转换直接进 DataFrame，Pandas 按 object 类型处理，排序和运算全部用字符串逻辑。
解决：在清洗阶段统一走函数转换，发现字符串里有“万”就替换成数字乘 10000。注意处理两种边界：纯数字字符串和带“亿”的极端值。转换完用df["play_count"].dtype确认是 float 或 int，再进入可视化和统计环节。
4.2 CSV 用 Excel 打开乱码
现象：df.to_csv("playlists_clean.csv")存完，用 Excel 打开全是乱码，但用记事本打开正常。
原因：Pandas 默认编码是 UTF-8，Excel 对 UTF-8 无 BOM 的兼容有问题。
解决：写入时指定encoding="utf-8-sig"，这是带 BOM 的 UTF-8，Excel 能正确识别。同理，如果从 Excel 存 CSV 再读回 Pandas，要用encoding="gbk"或encoding="utf-8-sig"试读，大概率是两者之一。
4.3 词云图上全是“的”“了”“音乐”
现象：对歌单名称做词云，高频词全是无意义的虚词和“音乐”“歌单”这种通用词，看不出特征。
原因：没做分词过滤，或者说停用词表里没有针对网易云场景的专属词。
解决：用 jieba 分词，加载一个停用词表，至少要把“音乐”“歌单”“歌曲”“经典”“精选”这种业务里必然高频但没有区分度的词停掉。词云的 font_path 参数必须指定一个中文字体文件路径，否则中文全变方块，和图表中文乱码是一个根源。
4.4 标签字段是数组：直接计数会报错
现象：df["tags"].value_counts()报TypeError: unhashable type: 'list'，或者画图时标签全部显示不出。
原因：歌单的 tags 是一个列表，比如["华语", "流行"]，Pandas 没法对列表做 value_counts。
解决：用collections.Counter在外层遍历，把每个列表的元素拆开放进 Counter。这一步要在清洗阶段完成，而不是放在绘图脚本里，否则你每次画图都要重新拆一次。
4.5 接口请求频率过高被限流
现象：程序跑到第 3 页，突然连续报 403，或者返回的数据结构变了，字段名对不上。
原因：请求频率太高，服务器的风控逻辑把 IP 临时限制，或者接口升级导致字段变更。
解决：time.sleep(1)只是最低限度的礼貌，更稳的做法是每次请求前随机 sleep 0.5 到 2 秒，并且对状态码 403 做重试退避。抓到一半挂了也别慌，把已经抓到的落盘，调整参数后继续抓，不要从头再来。字段变了就直接打印返回的 JSON 前 200 字符，看新的字段名，这是排查最快的方式。
5. 让作业变成能复用的东西：脚本参数化与结论验证
期末大作业交付的“源码 + 文档说明”，很多人只做到了“能跑”，没做到“能被别人跑起来”。我最后说两个习惯，一个是把脚本从“改代码改数据”变成“改参数跑数据”，另一个是每张图都要能说出结论。
脚本参数化的做法是引入argparse，把输入文件、输出路径、图表类型作为命令行参数传进去。比如你写了三张图，就支持--chart-type hist、scatter、barh分别运行，这样别人拿到你的源码，不用看懂代码细节也能复现你的图表。
import argparse parser = argparse.ArgumentParser(description="网易云歌单分析可视化") parser.add_argument("--input", default="playlists_clean.csv", help="清洗后的CSV路径") parser.add_argument("--chart-type", choices=["hist", "scatter", "barh"], default="hist", help="图表类型") args = parser.parse_args() df = pd.read_csv(args.input, encoding="utf-8-sig") if args.chart_type == "hist": # 播放量分布图逻辑 pass elif args.chart_type == "scatter": # 收藏与播放散点图逻辑 pass elif args.chart_type == "barh": # 标签排名逻辑 pass文档说明也是一样，README 里只写三件事：数据怎么来的、清洗脚本怎么跑、三张图各自回答什么问题。不要写大段的环境安装教程，pip install -r requirements.txt一行带过就行。数据字典可以单独放一个 CSV 示例，每个字段一行注释，比写长篇说明文档有效得多。
结论验证这步，我的检查习惯是：每张图输出后，强制自己用一句话说出“这张图证明了什么”。比如直方图显示播放量集中在 10 万以下，长尾延伸到千万级，说明歌单的马太效应很强；散点图显示收藏量随播放量增长呈亚线性，说明高播放歌单的收藏转化率反而低。说得出来的图才留在报告里，说不出来的图删掉，这是我从多次答辩里总结出来的纪律。
这套系统的天花板不在可视化效果，在于你能不能把数据分析的“分析”二字做实：提出一个问题，用数据回答它，用图表佐证它。以上是我做这类项目一路走下来的经验和习惯，希望能帮到你。
本文还有配套的精品资源，点击获取
