0x00 前言
- 你想知道背單詞軟件有大概多少人注冊(cè)第一天都沒有背完嘛?
- 你想知道背單詞軟件這么火,這么多人在使用,真的有多少人真的在背誦嘛?
別急,Python程序員用數(shù)據(jù)給你說話.
文章目錄如下:
- 0x00 前言
- 0x01 問題的提出和任務(wù)的分解
- 0x02 任務(wù)一,信息爬取
- ox03 任務(wù)二,清理和存儲(chǔ)
- 0x04 任務(wù)三,分析
- 0x05 任務(wù)四,結(jié)論
- 0x06 整個(gè)流程的不足和反思.
- 0x07 代碼.
0x01 問題的提出和任務(wù)的分解
前兩天,就在一個(gè)雷電交加的夜晚,我躺在床上,草草的看了一篇英文文章,突然想到一個(gè)非常有意思的問題:
是不是大部分的人做事真的不能堅(jiān)持呢?比如,背單詞.
好,那我就看看到底有多少人是堅(jiān)持不下來的?
那么,我們的問題就變成了這樣子:
- 有多少人是在堅(jiān)持或者曾經(jīng)堅(jiān)持過背單詞呢?(假設(shè)100天以上算的上是背單詞的話)
- 有多少夢(mèng)想,毀于不能堅(jiān)持?
- 背單詞的人們學(xué)習(xí)的量,是不是符合正太分布呢?
于是我選中了業(yè)內(nèi)的標(biāo)桿扇貝軟件作為分析的對(duì)象.抽取其中的大約1/30的用戶的公開數(shù)據(jù),也就是游客用戶都可以看得到的數(shù)據(jù),進(jìn)行抽樣調(diào)查.
調(diào)查的具體內(nèi)容如下:
- 打卡最高/成長值最高/學(xué)習(xí)單詞數(shù)量最高
- 平均每個(gè)人打卡次數(shù)/成長值/學(xué)習(xí)單詞數(shù)量
- 打卡/成長值/學(xué)習(xí)單詞數(shù)量的分布(也就是已經(jīng)堅(jiān)持了多少天了)
那么,我的任務(wù)也就可以分解如下:
- 爬取數(shù)據(jù)
- 使用Python2的Scrapy進(jìn)行爬站
- 清理數(shù)據(jù)
- sql語句和pandas運(yùn)算
- 分析數(shù)據(jù)
- pandas + seaborn + ipython book
- 得出結(jié)論
0x02 任務(wù)一,信息爬取,清理和存儲(chǔ)
每個(gè)用戶的信息都在這里:
http://www.shanbay.com/bdc/review/progress/2
使用beautifulsoup4 進(jìn)行解析即可.其他部分參考代碼.
扇貝的工程師反爬蟲做的還不錯(cuò),主要有兩點(diǎn):
- 訪問數(shù)量超標(biāo),封禁IP半個(gè)小時(shí).對(duì)應(yīng)的方法就是代理服務(wù)器.(代碼中已經(jīng)刪除代理服務(wù)器,所以,如果你運(yùn)行不了代碼,那你應(yīng)該知道怎么做了.)
- cookie如果不禁用很快就無法爬取.對(duì)應(yīng)的方法就是禁用Cookie.
0x03 任務(wù)二,清理和存儲(chǔ)
對(duì)于數(shù)據(jù)庫,使用Postgresql存儲(chǔ)就好了.也沒有什么大問題.參考代碼.有問題在評(píng)論下面問.
通常情況下在存入數(shù)據(jù)庫的時(shí)候需要進(jìn)行數(shù)據(jù)的凈化,不處理也沒有什么大問題.
0x04 任務(wù)三,分析
分析階段,使用IPython notebook. 通常情況下,我們使用的是Anaconda里面的Python3版本 .可以到這里下載,注意,mac和ubuntu下載的是命令行版本.
https://www.continuum.io/downloads
安裝完畢以后,重啟終端.環(huán)境變量生效.
#直接安裝seaborn
pip install seaborn
切換到指定目錄然后敲入命令ipython notebook打開瀏覽器進(jìn)行編輯.
至于怎么使用,請(qǐng)看代碼.
0x05 任務(wù)三,結(jié)論
在這里省去部分的分析過程直接貼出結(jié)論.
總共抓取1111111張網(wǎng)頁,成功獲取610888個(gè)用戶的信息.
于是得出結(jié)論如下:
扇貝之最:
- 最高打卡天數(shù): chainyu 1830天
- 最高成長值: Lerystal 成長值 28767
- 最高單詞數(shù)量: chenmaoboss 單詞量 38313
平均到每一個(gè)人身上
- 平均每人打卡天數(shù): 14.18,而超過成長平均值的人數(shù)為71342,占總抽樣人數(shù)的,額,11.69%
- 平均成長值: 121.79,而超過平均成長的人數(shù)為13351,占總抽樣人數(shù)的,額,11.42%
- 平均學(xué)習(xí)單詞數(shù)量: 78.92,而背超過平均單詞的人數(shù)為13351,占總抽樣人數(shù)的,額,2.19%(注意,真的是2%左右)
那么,我們來看看打卡,成長值,單詞數(shù)量的,分布吧.
第一個(gè),所有人的打卡數(shù)量直方圖.
簡直慘不忍睹.
第二個(gè),非零用戶的打卡數(shù)量直方圖.
這真是一段悲傷的故事.由于堅(jiān)持不了幾天的用戶實(shí)在是太多,簡直就是反比例函數(shù)嘛,導(dǎo)致圖像嚴(yán)重畸形.那么,我們只能分段了看用戶打卡天數(shù)在020,20100,100500,5002000范圍的分布圖了.
分別如下:
其他成長值的各種分布也是如此,在此就不貼出來了.
正如你所看到的,我再來總結(jié)一下,
在抽樣中,
- 英語夢(mèng)死在前0天的有416351人,占總比68.15%;
- 英語夢(mèng)死在前1天的有466761人,占總比76.40%;
- 英語夢(mèng)死在前2天的有484535人,占總比79.31%;
- 英語夢(mèng)死在前5天的有510230人,占總比83.52%;
- 英語夢(mèng)死在前10天的有531219人,占總比86.95%;
- 英語夢(mèng)死在前20天的有551557人,占總比90.28%;
- 英語夢(mèng)死在前50天的有575975人,占總比的94.28%;
- 英語夢(mèng)死在前100天的有590700人,占總比96.69%;
- 英語夢(mèng)死在前200天的有575975人,占總比98.36%;
- 英語夢(mèng)死在前263天的有600875人,占總比98.81%;
你可以大致感受到殘酷的現(xiàn)實(shí),幾乎沒有多少人可以堅(jiān)持到200天以后.
但是,你還需要注意到的事情是:
抽樣的來源是ID為1~1111111之間的60W成員
眾所周知的事情是:
- 早期的用戶往往質(zhì)量相對(duì)會(huì)高一些.而且,注冊(cè)的ID越大,證明注冊(cè)時(shí)間距離現(xiàn)在越近.獲得200天的幾率也就低了不少.
那么,這樣的話,英語夢(mèng)死在200天之前的人數(shù)比例還會(huì)大上不少.
回到文章開始:
問: 背單詞軟件有大概多少人注冊(cè)第一天都沒有背完嘛?
答:68.15%
問:有多少人是在堅(jiān)持或者曾經(jīng)堅(jiān)持過背單詞呢?(假設(shè)100天以上算的上是背單詞的話)
答:保守估計(jì),不足3.4%
問:有多少夢(mèng)想,毀于不能堅(jiān)持?
答:不妨干了這碗雞湯,歌唱青春一去不復(fù)返.
問:背單詞的人們學(xué)習(xí)的量,是不是符合正太分布呢?
答:不是,簡直就是反比例函數(shù).
拋出一個(gè)結(jié)論:
以絕大部分人努力之低,根本就用不著拼天賦.
贈(zèng)給你我,共勉.
0x06 整個(gè)流程的不足和反思.
扇貝的工程師反爬蟲做的還不錯(cuò),主要有兩點(diǎn):
- 訪問數(shù)量超標(biāo),封禁IP半個(gè)小時(shí).對(duì)應(yīng)的方法就是代理服務(wù)器.
- cookie如果不禁用很快就無法爬取.對(duì)應(yīng)的方法就是禁用Cookie.
爬蟲框架使用Scrapy,這樣就免去了大量的繁瑣的線程調(diào)度問題,直接寫獲取信息的邏輯代碼,以及存儲(chǔ)信息的邏輯代碼就好了.
在編寫爬蟲的過程中,有一些經(jīng)驗(yàn):
- 在爬蟲開啟以后,由于我暴力的關(guān)閉,導(dǎo)致還是有不少的item沒有完成請(qǐng)求處理和存儲(chǔ).
- 我在處理異常的時(shí)候忘了應(yīng)當(dāng)把失敗的item存放放在文件中,方便我第二次補(bǔ)充,這樣的話就不會(huì)丟失一部分的用戶信息了.
- 代理服務(wù)器需要自己寫腳本進(jìn)行測試,否則你可能有很多很多的請(qǐng)求都會(huì)超時(shí)(畢竟很多代理服務(wù)器還是很不靠譜的).
我的分析數(shù)據(jù)能力并不是很強(qiáng),僅僅是從CS109里面偷學(xué)了一點(diǎn)點(diǎn),然后使用Seaborn畫圖,但是這整個(gè)過程中還是覺得自己分析不過來,不是寫不出代碼,而是不清楚使用什么樣的數(shù)據(jù)模型進(jìn)行分析更好.
0x07 代碼
代碼放在了Github上面,咳咳,注意,沒有把代理服務(wù)器放進(jìn)去.如果你跑一下會(huì)發(fā)現(xiàn)只能半小時(shí)抓取300+頁面,這不是我的問題,是你沒有把代理服務(wù)器填好.代碼比較粗糙,還請(qǐng)輕拍.
代碼的地址為:
https://github.com/twocucao/DataScience/
倉庫里包含了抓取網(wǎng)站的代碼和分析數(shù)據(jù)的IPython Notebook,自己閱讀吧.
如果喜歡本文,就點(diǎn)個(gè)喜歡吧.
