【导语】：今天我们来聊聊最近的社交游戏新宠--剧本杀，Python技术部分请看第三部分。

Show me data，用数据说话

今天我们聊一聊 剧本杀

如果问，线下聚会可以玩儿什么?狼人杀?密室逃脱?

nonono，说道现在社交游戏的新宠，就不得不提到ta——剧本杀。

剧本杀，最初源于欧美派对游戏“谋杀之谜”。玩家们需要根据自己拿到的剧本扮演角色，与其他玩家一起共同演绎故事，通过线索推断、交流，共同找到凶手并揭开故事全貌。

与狼人杀相似的是，二者都需要通过推理和表演找出凶手或者是掩饰自己。不同的是，狼人杀只有一个固定的剧情，即狼人在夜晚杀害村民，村民要在白天找出凶手。

而剧本杀则有不同的故事，无论从剧本、犯罪、作案到人物剧情都很多样化，加上线下剧本杀配备的服装、布景、道具，甚至玩上一局剧本杀，感觉像是经历了一场惊险刺激的沉浸式悬疑电影!

今天，我们就用数据跟大家盘一盘剧本杀。

01被高分综艺带火的剧本杀

很多小伙伴第一次听说剧本杀，可能都是因为《明星大侦探》(下文简称《明侦》)。2016年的3月，芒果TV首播明星推理真人秀《明侦》第一季。目前《明侦》共推出了五季，播出后在豆瓣的评分都还不错，分别是9.3/ 9.1 / 9.1 / 8.6/ 8.5.角色扮演、搜证、推理基本构成了许多人对剧本杀的第一印象。

随着《明侦》的大火，剧本杀也逐渐走进大众的视野。

说白了，剧本杀就是一个集逻辑推理和角色扮演于一体的社交游戏。人生如戏，剧本杀让玩家通过演绎角色切身体会到不一样的多彩人生，同时通过逻辑推理让玩家在游戏中获得解谜烧脑的乐趣。

02从线下门店到线上应用 剧本杀到底有多火？

近几年，剧本杀无论是线下实体店还是线上应用都得到了迅速的发展。

根据对美团点评的数据整理，2017年年初，剧本杀门店还仅有几十家，2018年年初增加到几百家，截至2019年12月，全国的剧本杀店已经由1月初的2400家飙升到12000家，一年之间开出一万家门店。

在今年2020年初，因受疫情影响，无法出门活动的人们迅速将目光聚集到了线上。大年初一，正处于疫情初期，就有用户反应《我是谜》APP游戏卡顿，同时微博热搜榜剧本杀APP《我是谜》也登榜，大量网友均反映系统崩溃。

随后《我是谜》创始人林世豪连忙发微博表示，对激增的访问人数感到惊讶，并表示马上叫程序员来修复。

说道剧本杀的核心，当然是剧本啦。故事写得好不好，情节和逻辑设置是否吸引人都是玩家尤其关注的点。那么哪些剧本最受追捧，剧本都在什么价钱呢?下面我们带大家分析下淘宝店铺的数据。

03用Python分析淘宝店铺剧本杀数据

作为桌游当中的一种，剧本杀在淘宝的销量数据如何呢?

我们用Python爬取了淘宝上的桌游剧本杀的关键词数据，下面一起具体看看：

桌游销量TOP10淘宝店铺

首先，我们看看那些桌游店铺最热门。

其中这家九卓家居专营店销量最高，其次位居二三的分别是游卡桌游昆高专卖店和艾雅玩具店。不过要注意的是，比起普通玩家，这些店铺买东西的主力肯定还是各大桌游店。

桌游店铺地区排名TOP10

这方面可以看到，桌游方面的淘宝店铺主要还是位于一线城市的。其中，上海、广东为第一第二位。浙江名列第三，北京位居第四。

桌游卡牌的价格区间

什么价位的桌游卡牌销量最高呢?

通过分析发现，显然50元以下的桌游销量最高，销售额占比高达42.72%。其次是50-100元的，销售额占比22.47%。然后比较贵的100-200的桌游销售额占比17.05%。

其中最主要的原因就是便宜，现在的50块钱可能连一顿下午茶钱都不够，二是因为50块钱的桌游大多数以纸牌为主，小巧便利，方便携带，出门消磨时光必备物件，很适合我们的生活方式，想要玩大型桌游，还是踏实去桌游店吧，规则看不懂还有法官。

剧本杀店铺销量数据

说完桌游店铺的数据，那么专门出售剧本杀相关产品的店铺数据如何呢?我们挑选了一家最火爆的剧本杀店铺，进行了分析。下面看到具体分析步骤：

我们使用Python获取了淘宝网上GoDan正版剧本杀商城商品和热评的数据进行了数据分析，地址如下：

https://shop387156301.taobao.com/category-1515015677.htm

实做过程分为：

数据获取

数据预处理

数据分析与可视化

1、数据获取

代码

# 导入所需包
import pandas as pd
import time
from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC


# 登录淘宝
def login_taobao_acount():
    # 登录URL
    login_url = 'https://login.taobao.com/member/login.jhtml'

    # 打开网页
    browser.get(login_url)
    # 支付宝登录
    log = wait.until(
        EC.element_to_be_clickable((By.CSS_SELECTOR, '#login-form > div.login-blocks.sns-login-links > a.alipay-login'))
    )
    log.click()


# 解析一页
def parse_one_page():
    # 保存信息
    title = []
    price = []
    sales_num = []
    comment_num = []

    # 获取内容
    contents = browser.find_elements_by_xpath('//*[@id="J_ShopSearchResult"]//div[@class="item3line1"]//dl[contains(@class, "item")]')

    for content in contents:
        # 获取标题
        title.append(content.find_element_by_xpath('.//dd[@class="detail"]/a').text)
        # 获取价格
        price.append(content.find_element_by_xpath('.//dd[@class="detail"]//div[@class="cprice-area"]').text)
        # 获取销量
        sales_num.append(content.find_element_by_xpath('.//div[@class="sale-area"]').text)
        # 获取评论
        comment_num.append(content.find_element_by_xpath('.//h4').text)

    # 保存数据
    df_one = pd.DataFrame({
        'title': title,
        'price': price,
        'sales_num': sales_num,
        'comment_num': comment_num
    })

    return df_one


# 获取所有页
def get_all_page():
    df_all = pd.DataFrame()

    # 初始URL
    start_url = 'https://shop387156301.taobao.com/category-1515015677.htm'

    # 获取URL
    browser.get(start_url)

    # 休眠
    time.sleep(3)

    for i in range(7):  # 共6页
        # 打印进度
        print('正在获取第{}页'.format(i+1))

        # 运行函数
        df_one = parse_one_page()

        # 循环追加
        df_all = df_all.append(df_one, ignore_index=True)

        # 判断
        if i == 6:
            break
        else:
            # 点击翻页
            click_button = browser.find_element_by_css_selector('#J_ShopSearchResult > div > div.shop-hesper-bd.grid > div.pagination > a.J_SearchAsync.next')
            click_button.click()

            # 休眠3秒
            time.sleep(3)

    return df_all

if __name__ == '__main__':
    # 实例化
    browser = webdriver.Chrome()
    wait = WebDriverWait(browser, 10)

    # 先登录
    login_taobao_acount()

    df = get_all_page()

我们获取到的数据格式如下，共有7页146条数据：

df.head()

2、数据导入和数据预处理

主要包含以下部分工作：

重复值处理

异常值处理

title：提取一级标题和二级标题

price：提取数值

sales_num：提取数值

comment_num：提取数值

sales_amount：price * sales_num

# 导入包
import numpy as np 
import pandas as pd  
import re 

# 读入数据
df = pd.read_excel('../data/淘宝剧本商城数据.xlsx')

# 去重
df = df.drop_duplicates()

# 异常替换-预售
df['title'] = df.title.str.replace(r'【预售】', '')

# 标题
df['title_1'] = df.title.str.extract(r'【(.*?)】')
df['title_2'] = df.title.str.extract(r'【.*?】(.*)')
df['title_2'] = df.title_2.str.replace(re.compile(r'【.*?】'), '')

# strip
df['title_1'] = df.title_1.str.strip()
df['title_2'] = df.title_2.str.strip()

# 价格 
df['price'] = df.price.str.extract(r'(\d+)').astype('int')
# 销量
df['sales_num'] = df.sales_num.str.extract(r'(\d+)').astype('int')
# 评论数量
df['comment_num'] = df.comment_num.str.extract(r'(\d+)').astype('int')

# 计算销售额
df['sales_amount'] = df['price'] * df['sales_num']

# 删除title
df = df.drop(['title'], axis=1)
df.head()   

3、数据探索和可视化

 
from pyecharts.charts import Bar, Pie, Page
from pyecharts import options as opts 
from pyecharts.globals import SymbolType, WarningType
WarningType.ShowWarning = False 

GoDan商城价格分布

bins = [0,200,500,1000,4900]
bins_label = ['0-200', '200-500', '500-1000', '1000以上']

price_num = pd.cut(df.price, bins=bins, labels=bins_label) 
price_num = price_num.value_counts().sort_index() 
price_num

# 产生数据对
data_pair = [list(z) for z in zip(price_num.index.tolist(), price_num.values.tolist())]

# 绘制饼图
# {a}（系列名称），{b}（数据项名称），{c}（数值）, {d}（百分比）
pie1 = Pie(init_opts=opts.InitOpts(width='1350px', height='750px'))
pie1.add('', data_pair=data_pair, radius=['35%', '60%'])
pie1.set_global_opts(title_opts=opts.TitleOpts(title='GoDan商城商品价格分布'), 
                     legend_opts=opts.LegendOpts(orient='vertical', pos_top='15%', pos_left='2%'))
pie1.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%"))
pie1.set_colors(['#2C69B0', '#EA6B73', '#AC613C', '#E9C39B'])
pie1.render() 
 

首先看到价格区间。对比桌游50元以下的价格商品最热门，GoDan的剧本杀就很不一样了，而是价格在200 - 500之间产品最多，占比77.87%。毕竟一个剧本大概需要过五万字的文学创作，这个价钱也对得起我们的内容创作者。

销量TOP10剧本

# 销量top10
sales_top10 = df.groupby('title_1')['sales_num'].sum().sort_values(ascending=False)[:10] 
sales_top10 = sales_top10.sort_values()
sales_top10

title_1
朝别梨怨          61
孤城            62
爱幼妇产医院        64
古镜奇谈-月染长安     66
杀人回忆          76
愿我如星君如月       81
恶渊百物语         92
古木吟           95
窥镜            96
情辞白帝         134
Name: sales_num, dtype: int32

# 条形图
bar1 = Bar(init_opts=opts.InitOpts(width='1350px', height='750px'))
bar1.add_xaxis(sales_top10.index.to_list())
bar1.add_yaxis('', sales_top10.values.tolist())
bar1.set_global_opts(title_opts=opts.TitleOpts(title='GoDan商城销量Top10剧本'), 
                     visualmap_opts=opts.VisualMapOpts(max_=134))
bar1.set_series_opts(label_opts=opts.LabelOpts(position='right'))
bar1.reversal_axis()
bar1.render()

最后就是万众瞩目的top10的剧本排名，前三名「情辞百帝」、「窥镜」、「古木吟」C君都还没有玩过，可能是孤落寡闻了，但是「杀人回忆」这个本很多家桌游店都推过，玩起来非常不错，有机会可以统统尝试下。

04玩了几百场剧本杀，如何精准发现当中套路

最近C君也沉迷于剧本杀，在玩了很多很多很多剧本后，发现一个惊人的事实，关于一个不用思考就可以找出凶手的逻辑，分享给你，保准你每次都是MVP。

当你玩了上百次剧本杀以后，你会发现当中的犯案动机真的是多种多样的，有时候还让人特别意想不到。所以想但从杀人动机、证据推理上推断出凶手那根本不可能，而且现在许多新出剧本写的越来越离谱，那该怎么玩儿呢?

所以古人有云，拨开表明看本质，当中的核心点就是“存在感”，而且是人越少越准。其实这和狼人杀中的珉人是一个道理，都是玄学。

但是剧本杀是游戏，是短时间信息密集游戏，所以每一个出场人物都有他纯在的道理。举个例子，去电影院看《唐人街探案》，人人都是福尔摩斯，但在生活中秒变脑残党，为什么?

其中很重要的就是圈层限定，凶手肯定是常出现的几个人之中，去掉主角、去掉酱油、可能只有一个人让你选了，剧本杀也一样，每个人都有必要的任务，你把每个人任务弄清楚，基本可以得出凶手是谁，这可比去盘逻辑简单多了。

有人会问，这不就失去了剧本杀的原本的乐趣了么?那就错了，其实玩剧本杀的人都知道，能投对凶手的剧本都是好剧本，投错了的剧本都是垃圾，最后结果还是很重要的。

结语

最后想说的是，剧本杀真的可以发散人的思维，因为这里有各种稀奇古怪的剧情，比电视剧可有意思多了，喜欢演戏，喜欢开脑洞的朋友们一定要去尝试下哦。

参考文献

剧本杀，能「杀」出一条财路吗?| 36氪新风向

https://mp.weixin.qq.com/s/evCJdX6JMc3szImf8hwwQw

《天天向上》告诉你，剧本杀有多火

https://mp.weixin.qq.com/s/e4Y6r5pc1qJ2t5pOpfF3Zg

剧本杀是什么?

https://www.douban.com/note/693384771/

线上井喷，社交新宠剧本杀真的是门好生意吗?

https://www.shangyexinzhi.com/article/517685.html