然后在解析每个music的时候，使用PhantomJS来加载歌词界面，并获得到歌词。（由于获得歌词中包含<br>等这样的Html元素标签，所以通过正则手段去掉）最终将获得到的全部信息通过Pipeline输出到文件。

这样我们数据提取的过程就结束了，我们得到了一个.csv格式的文件输出，其中每一行就是一首歌及该歌曲的相应信息。部分截图如下：

最后我们就可以用这些数据去进行一些可视化绘图，比如不同风格中最受欢迎的歌手，以及每个风格中的Top10歌曲，不同风格中歌单的平均长。

2.数据清洗与特征选择

因为提取到数据还是相对完善，并没有出现复杂的数据清洗需求。因此只是简单的对数据做了一次去掉Nan空值的操作。因为我们做风格分类，所以我们考虑使用每一首歌曲的歌词作为特征，因此我们将爬取到的信息中的歌词和风格单提出来，其中歌词作为特征，风格作为标签。基于此构建一个牛逼的分类器，实现我们的风格分类。

通过一些复杂的正则和替换操作，拿到最终的训练数据，格式如下：

接下来呢，我们搞个有意思的东西【词云】 我们使用WordCloud 和 jieba 来实现这个小功能。效果图如下：

是不是还足够炫酷的样子！小插曲而已，那么接下来干点正事。我们要去构建模型了

Let us Go!!!

3.模型构建

因为分类问题嘛，我们现在只选取其中的2类进行分类，分别为【古风、英伦】。

首先因为数量不一致，会导致分类器的偏向问题，于是我们首先要对2类样本做一个剪裁。让英伦类样本数量大致与古风类样本相同。

然后呐，我们需要去掉一些对我们分类起不到作用甚至是有干扰的单词，也就是停用词。

停用词：在信息检索中，为节省存储空间和提高搜索效率，在处理自然语言数据（或文本）之前或之后会自动过滤掉某些字或词，这些字或词即被称为Stop Words（停用词）。这些停用词都是人工输入、非自动化生成的，生成后的停用词会形成一个停用词表。

我们接下来有好多种方法可以用来做这个分类

第一种思路是使用词频进行分类，可以通过构建每句话的词频向量完成我们的任务。类似可见新闻文本分类，垃圾邮件等。贝叶斯对这类问题处理的已经很不错了。

第二种就是使用了Word2Vec，这个工具可以根据词义构建词义向量。即语义上相近的两个单词那么他们之间的向量距离也更为相近，反之亦然。

举个例子：

香蕉，苹果 对应的词义向量的欧氏距离更为相近，而 香蕉 ， 轮胎 对应的词义向量的欧氏距离要更远。

模型证实我们的分类效能有84%左右。我们仍然可以通过调参的方式去改进模型，提高准确率，这里不再提及。接下来我们可是要迫不及待的去检验一下成果了！

4.预测

哇！这一步真的是去感觉自己的劳动果实味道如何。预测是个享受的过程，中间不必赘述，咱直接跳到最后看看我们都能预测出来什么?

就这样我们亲手实现了一波机器学习流程。回看一下我们所做的，其实数据科学离我们很近，AI离我们也没有那么遥远！加油！