阅读 12120

一份不满十八岁禁止观看的数据分析报告

声明:此文并不是标题党,如果你不满18岁,请马上关闭,在父母陪同下观看也不行。


数据来源

本文的数据抓取自国内最大的亚文化视频社区网站(不,不是 B 站),其中用户出于各种目的会在发帖的标题中加入城市名称,于是本文抓取了前10000个帖子的标题和发帖用户 ID,由于按照最近发帖的顺序排列,所以抓取数据基本上涵盖了2016年期间的发帖内容。然后通过匹配提取标题中所包含的城市信息,对16年活跃用户的归属地进行分析统计,另根据最近发布的《2016年中国主要城市 GDP 排名》:

GDP2016.png

检验两者之间是否存在某种程度的相关。

爬虫

当然本文的目的主要还是出于纯粹的技术讨论与实践,数据抓取和分析处理均使用 Python 完成,其中主要用到的数据处理和可视化工具包分别是PandasPlot.ly+Pandas

由于网站使用较传统的论坛框架,经测试也没有防爬虫的措施,因此可以大胆地使用多线程,对于网页内容分析也可以直接用正则匹配完成:

import requests as req
import re
from threading import Thread

def parser(url):
  res = req.get(url)
  html = res.text.encode(res.encoding).decode()
  titles = re.findall(RE_TITLE, html)
  v = []
  if titles is not None:
    for title in titles:
      if len(title) == 2 and title[-1] != 'admin':
        if title[0][-1] != '>':
          v.append(title)
  return v

def worker(rag):
  """
  将每个线程的数据临时存储到一个新的文本文件中即可。
  """
  with open('{}+{}.txt'.format(*rag), 'w+') as result:
    for p in range(*rag):
      url = ENT_PAT.format(p)
      for title in parser(url):
        result.write("{}|{}\n".format(*title))
def main():
  threads = []
  for i in range(len(SECTIONS)-1):
    threads.append(Thread(target=worker, args=(SECTIONS[i:i+2],)))
  for thr in threads:
    thr.start()
if __name__ == '__main__':
  main()复制代码

以上就是爬虫部分的代码(当然隐去了最关键的网址信息,当然这对老司机们来说并不是问题)。

Pandas

Pandas 可以看做是在 Python 中用于存储、处理数据的 Excel,与 R 语言中的 data.frame 的概念相似。首先将所有单独存储的文件中的数据导入到 Pandas:

import os
import pandas as pd

title, user = [], []

for root, _, filenames in os.walk('raws'):
  for f in filenames:
    with open(os.path.join(root, f), 'r') as txt:
      for line in txt.readlines():
        if line and len(line.split("|")) == 2:
          t, u = line.split("|")
          title.append(t)
          user.append(u.strip())

data = pd.DataFrame({"title": title, "user": user})
# 保存到 csv 文件备用
data.to_csv("91.csv", index=False)复制代码

接下来以同样的方式将国内主要城市数据、2016主要城市 GDP 排行数据加载到 Pandas 中备用。

数据分析

首先需要明确以目前的数据可以探讨哪些有趣的问题:

  • 各个城市的发帖总数;
  • 各个城市的活跃用户数量;
  • 以上两个数据结果与 GDP 之间的关系;
  • 发帖形式分类(虽然这个问题的答案可能更有趣,以目前的数据量很难回答这问题,而且需要涉及到较复杂的 NLP,先写在这里);
  • 最活跃的用户来自哪里。

首先加载备用的数据:

import pandas as pd
TABLE_POSTS = pd.read_csv("91.csv")
TABLE_CITY  = pd.read_csv("TABLE_CITY.csv")
TABLE_GDP = pd.read_csv("TABLE_GDP.csv")复制代码

匹配标题中是否存在城市的名称:

# 先替换可能出现的“昵称”
TABLE_POSTS.title = TABLE_POSTS.title.str.replace("帝都", "北京")
TABLE_POSTS.title = TABLE_POSTS.title.str.replace("魔都", "上海")

def query_city(title):
  for city in TABLE_CITY.city:
    if city in title:
      return city
  return 'No_CITY'

TABLE_POSTS['city'] = TABLE_POSTS.apply(
  lambda row: query_city(row.title),
  axis=1)

# 过滤掉没有出现城市名的数据:
posts_with_city = TABLE_POSTS.loc[TABLE_POSTS.city != 'No_CITY']

# 以城市名进行 groupby,并按发帖数之和倒序排列:
posts_with_city_by_posts = posts_with_city.groupby(by="city").count().sort_values("title", ascending=False)[['title']].head(20)复制代码

现在已经可以直接回答第一个问题了,用 Plot.ly 将 Pandas 中的数据可视化出来,有两种方式,我们选择较简单的 cufflinks 库,直接在 DataFrame 中绘制:

import cufflinks as cf
cf.set_config_file(world_readable=False,offline=True)

posts_with_city_by_posts.head(10).iplot(kind='pie',
  labels='city',
  values='title',
  textinfo='label+percent',
  colorscale='Spectral',
  layout=dict(
    title="City / Posts",
    width="500",
    xaxis1=None,
    yaxis1=None))复制代码

city_by_posts.png

前6名基本上不出什么意外,但是大山东排在第7名,这就有点意思了。

为了排除某些“特别活跃”用户的干扰,将用户重复发帖的情况去除,只看发帖用户数量:

# 去除 user 栏中的重复数据
uniq_user = posts_with_city.drop_duplicates('user')

# 同样按照城市 groupby,然后倒序排列
posts_with_city_by_user = uniq_user.groupby(by="city").count().sort_values("title", ascending=False)[['title']].head(15)

posts_with_city_by_user.head(10).iplot(kind='pie',
  values='title',
  labels='city',
  textinfo='percent+label',
  colorscale='Spectral',
  layout=dict(title="City / Users",
    width="500",
    xaxis1=None,
    yaxis1=None))复制代码

city_by_users.png

Impressive,山东。至少说明还是比较含蓄,不太愿意写明具体的城市?是这样吗,这个问题可以在最后一个问题的答案中找到一些端倪。

接下来要和 GDP 数据整合到一起,相当于将两个 DataFrame 以城市名为键 join 起来:

posts_with_city_by_user_and_gdp = posts_with_city_by_user.merge(TABLE_GDP, left_on='city', right_on='city', how='inner')复制代码

city_by_user_by_gdp.png

由于有些漏掉的排行数据,同时由于人口数据较大,需要进行一定的预处理和标准化处理:

posts_with_city_by_user_and_gdp['norm_title'] = \
  posts_with_city_by_user_and_gdp.title/posts_with_city_by_user_and_gdp['pop']

posts_with_city_by_user_and_gdp['norm_rank'] = \
  posts_with_city_by_user_and_gdp['rank'].rank()

posts_with_city_by_user_and_gdp['x'] = 
  posts_with_city_by_user_and_gdp.index.max() - posts_with_city_by_user_and_gdp.index + 1

posts_with_city_by_user_and_gdp['y'] = 
  posts_with_city_by_user_and_gdp['norm_rank'].max() - posts_with_city_by_user_and_gdp['norm_rank'] + 1复制代码

绘制气泡图,气泡大小为用户数量与人口数的比,坐标值越大排行越高:

bubble_chart.png

可以看到基本上存在一定程度的相关,但是到这里我们发现更有趣的数据应该是那些出现在 GDP 排行榜上却没有出现在网站排行上的城市,是不是说明这些城市更加勤劳质朴,心无旁骛地撸起袖子干呢?

good_cities = posts_with_city_by_user.merge(TABLE_GDP, left_o
="city", right_on="city", how="right")

good_cities[list(good_cities.title.isnull())][['city', 'rank', 'pop', 'title']]复制代码

good_cities.png

注:由于 posts_with_city_by_user 只截取了前15,实际上青岛是排在前20的,从下一个结果中就能看出来…

最后一个问题,最活跃的老司机们都来自哪个城市?

user_rank = pd.DataFrame(TABLE_POSTS.user.value_counts().head(20))
user_rank.reset_index(level=0, inplace=True)
user_rank.columns = ['user', 'count']

user_rank.merge(posts_with_city[['user', 'city']], left_on='user', right_on='user', how='inner').drop_duplicates(['user','city'])复制代码

top_users.jpg

总结

以上就是全部数据与分析的结果。其实大部分只是一个直观的结果展示,既没有严谨的统计分析,也没有过度引申的解读。只有经过统计检验才能得出拥有可信度的结论,在一开始已经说明了本文只是纯粹的技术讨论与实践,所抓取的10000多条数据也只是网站中某个板块,因此对于以上结果不必太过认真。

再来说说 Pandas 与 R 语言的 data.frame 之间的比较,其共同点在于都是基于数据框架的设计,拥有大量常用的数据操作方法、工具以及第三方支持的库(包括可视化),数据处理过程大部分不需要通过“循环语句”,只需要对数据整体进行操作即可;不同之处在于基于 Python 的 Pandas 更像是面向对象或者面向方法的,而 data.frame 则更像是面相数据的,如果是针对纯粹的数据(例如实验数据),两者的使用体验几乎是一致的,但是如果存在较多文本数据(例如本文),以我的个人经验还是 Python 更胜一筹。


阅读原文

关注下面的标签,发现更多相似文章
评论