最近在學習數(shù)據(jù)分析友鼻，接觸到知乎上知友“”的內(nèi)容高镐，有一篇是他將豆瓣上6萬本書籍基礎信息爬到并且分享給大家（鏈接：）埠忘，于是自己也想以這部分數(shù)據(jù)為例立哑，以我自己對數(shù)據(jù)分析的方法論挂滓，實踐一次苦银。
前提有個說明，是因為不知道他是以什么樣的規(guī)則爬取的赶站，所以樣本可能有偏差幔虏，但這不可避免，因此不再討論贝椿。
出發(fā)點
數(shù)據(jù)分析第一步：知道自己為什么要分析想括。
分析的目的是為了解決一個業(yè)務問題、驗證一個假設烙博、發(fā)現(xiàn)一個探索性的規(guī)律等瑟蜈，而不是為了分析而分析烟逊。
所以我給自己預設一個場景：我是一個圖書愛好者，希望能從這里面找到好書铺根；以及我是一個出版行業(yè)的入門者宪躯，希望能從這里面的數(shù)據(jù)探索一些趨勢，增加對初版行業(yè)的了解位迂。
初始數(shù)據(jù)的整理
拿到這張表眷唉，我發(fā)現(xiàn)表格還是需要整理的，例如：
1囤官、作者里面有出現(xiàn)作者和譯者信息的情況冬阳、有多個作者的情況；
2党饮、出版時間有多種格式
3肝陪、價格有不同類型的價格（如臺幣）、貨幣的不同表現(xiàn)方法
4刑顺、...
因此需要對數(shù)據(jù)做基礎的清晰和整理氯窍，使之成為一張可以分析的表格。
但在實際清理過程中發(fā)現(xiàn)蹲堂，直接在原數(shù)據(jù)里做清理狼讨，工作量和難度都很大，因此決定先做正常分析柒竞，分析過程中發(fā)現(xiàn)有誤差的情況下政供，再做處理。這樣靈活性更高朽基，并且顯著降低工作量布隔。
分析
1、我想知道哪些書是好書
首先從圖書分值分布來看稼虎，整體打分是符合正項分布的衅檀。另外也能看到一個異常：約有6600本書目前還是0分，即還沒有人看霎俩，占比超過了10%哀军。
單看正項分布的區(qū)域，發(fā)現(xiàn)大部分書籍的評價是在7.4-8.7分左右打却，因此可以初步猜測當一本書分數(shù)小于7.4分且評價人數(shù)不是過低（比如低于200杉适、300），可能內(nèi)容質(zhì)量就已經(jīng)不高学密；而高于8.7且有很多人看的書淘衙，基本可以判斷為很高質(zhì)量的書籍了。
