面对这个问题，她开始寻找解决方案。他咨询了同事、研究了市场上的不同工具和平台，但仍然没有找到满意的答案。她也是十分着急和担心，因为这对她来说是一次很好的升职机会，自己不想错过。看在当年的好朋友这么着急，Dream想起来那年的同窗时光，甚是感慨，于是下决心要帮助她把这件事情做好。
在寻找数据的过程中，我发现网上的大多数可以找的数据都存在着或多或小的问题，有的因为年代久远不具有实时性，而有的又不那么全面，并且满足不了我们自身的个性化需求。
于是，我联系了我认识的所有互联网公司，向他们请教经验和帮助，从他们口中我知道了亮数据平台。
听到这个消息，我心中顿时涌起了一丝希望。赶紧去网站注册和使用起来。
经过简单的操作，我发现此平台使用起来十分方便快捷！
登陆之后，我们直接选择查看数据产品，找到数据集商场，我惊喜的发现其中的数据集真的是又大又全面！在这里可以获取使用方便、结构化的、准确的公开网络Web 数据，于是我找到了我所需要的TikTok数据集。

此数据集全面又实时，其中包含经过验证的个人资料、关注者、喜欢、创建日期等数据点。并且我可以给根据自己的需要，设置个性化的自定义子集！

在这里我自定义了自己的数据集，我只选取了用户的id、视频种类type以及评论数comment，将数据集data保存在本地。
然后首先将保存在本地的data文件，进行一个简单的数据处理，剔除掉一些空白的数据（一些用户可能从来不评论视频）：

import pandas as pd

# 读取Excel文件
df = pd.read_excel('data.xlsx')

# 数据清洗
df.dropna(subset=['id', 'type', 'comment'], inplace=True)

# 保存清洗后的结果
df.to_excel('cleaned_data.xlsx', index=False)

经过清洗完毕的数据，我们进行一个简单的可视化：

import pandas as pd
import matplotlib.pyplot as plt

# 读取Excel文件
df = pd.read_excel('cleaned_data.xlsx')

# 绘制关系图表
plt.scatter(df['type'], df['comment'])
plt.xlabel('Type')
plt.ylabel('Comment')
plt.title('Relationship between Type and Comment')
plt.show()

我们使用pd.read_excel()函数读取名为data.xlsx的Excel文件，并将其存储在一个名为df的DataFrame对象中。然后，我们使用plt.scatter()函数绘制散点图，其中df['type']表示x轴上的数据，df['comment']表示y轴上的数据。通过设置适当的x轴标签、y轴标签和标题，我们可以自定义图表的外观。最后，使用plt.show()函数显示图表。

使用散点图可以帮助观察type和comment之间的关系：

然后使用scikit-learn库进行文本预处理和线性回归建模：

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# 读取Excel文件
df = pd.read_excel('data.xlsx')

# 特征工程
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(df['comment'])
y = df['type']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 模型训练
model = LinearRegression()
model.fit(X_train, y_train)

# 模型评估
score = model.score(X_test, y_test)
print("模型准确率:", score)

我们使用pd.read_excel()函数读取名为data.xlsx的Excel文件，并将其存储在一个名为df的DataFrame对象中。然后，我们使用CountVectorizer()进行文本预处理，将comment列转换为词频矩阵表示。接下来，我们将comment矩阵（X）作为输入变量，将type列（y）作为输出变量，使用train_test_split()函数划分训练集和测试集。最后，我们使用LinearRegression()模型进行训练，并使用score()函数计算模型的准确率。

最终，根据分布、相关性我们可以的得到一个非常有趣的结论，随着用户喜欢视频的种类的增加，我们发现用户评论的几率会更大（以100%为单位），并且看视频喜欢评论的人总是战比很少的一部分。这也充分说明了当用户看到一个喜欢的视频，只是会去点上一个喜欢，并不会去评论视频。