对排名前3000位博主进行数据分析

数据分析

热门博主

这里是在2017-05-20晚上爬取按照积分排名前3000位的博主,本文是在3000条博主的用户信息,23万条博主的活动信息的基础上进行数据分析的,此数据基于学习的目的,不用于商业目的;

本来打算对具体动态信息做个排名,不过考虑到可能会涉及隐私,所以放弃,全文分析均为宏观分析;

各个博主的出生地

3000位博主中,只有546位填了家乡,比例为18%;

可以看的出来,湖北和河南的人数最多,广东四川北京山东属于第二梯队;

各个博主的现居住地

3000位博主中,只有802位填了现在的居住地,比例为27%;

可以发现,这个时候,博主的工作地点变成了IT比较发达的省份,像是北京,广东,浙江,上海,四川;

各个园龄所占的人数

大部分在博客园的时间在4-12年的时间,其中5年最多

工作职位的统计

206人填了信息,比例为7%

这里取的是排名前20位的职位,其中因为描述的不同导致结果存在些许不同,但可以发现其中软件工程师居多

工作单位的统计

116人填了信息,5个腾讯,2个Autodesk,2个武汉大学,其余均不重复,其中100人在工作,16人在大学

上一次发布博客的时间

1258个日子,最近一天为2017-05-20,最远一天为2005-04-14

其中越靠后表明上一次发布博客的时间离现在越近,不过不难发现依然存在挺多的人上次发布博客的时间离现在比较远。

多少人进行了迁移(出生地跑到现居住地)

395人,此方法是按照出生地不等于现在居住地计算得出

结婚

107人填了信息,占整体比例为4%

单身比例最高,占了将近2/3,已婚次之

动态信息分布

发表话题和博客占用比例大体相当

分数平均值

以300为单位

可以发现,前300名大幅拉开和后面的差距

博客数量和分数、粉丝的关系

博客数量和分数并不是一个线性关系,表明并不是发表的博客数量越高分数就越高,不过貌似粉丝数量和分数存在些许关系。

总结

这个项目是我在工作之余花了一周的时间一变学习一边写出来的,其利用Scrapy爬虫框架来实现,过程中也走了些弯路,基本都是靠不停的查找资料来解决问题。项目并不困难,数据分析也比较简单,在后面可以加上词频分析等等,不过因为最近要开始找工作了,所以暂时要放置一段时间了。

文中如果有错误,请及时指出。

posted @ 2017-05-23 08:17  banananana  阅读(3321)  评论(14编辑  收藏  举报