百度贴吧的数据抓取和分析（二）：基础数据分析

数据的抓取请移步：百度贴吧的数据抓取和分析（一）：指定条目帖子信息抓取

本教程的代码托管于github:　https://github.com/w392807287/spider_baidu_bar

本教程中使用的是从某贴吧中抓取的8000条帖子中进行清理后剩下的7405条。

发帖日期统计

引入库：

import pandas as pd
from datetime import datetime
import matplotlib.pyplot as plt

 使用pandas读取csv文件：

#指定列名
names = ["帖子id","帖子标题","url","回复数目","发帖日期","open_id","open_type","作者昵称","作者性别","作者等级","等级名称"]
df = pd.read_csv('post_info.csv',names=names)

 数据整理：

weekday_list = [datetime.strptime(y,"%Y-%m-%d %H:%M").weekday() for y in df["发帖日期"].values]

 归一化：

dict_week = {}
for week in weekday_list:
    if week not in dict_week.keys():
        dict_week[week] = 1
    else:
        dict_week[week] += 1

 使用matplotlib画图：

labels = ["MON","TUES","WED","THUS","FRI","SAT","SUM"]
colors = ['red','yellowgreen','lightskyblue','white','red','yellowgreen','lightskyblue']
plt.pie(list(dict_week.values()),labels=labels,colors=colors,autopct = '%3.1f%%')
plt.axis('equal')
plt.legend()
plt.show()

 结果：

由图我们可以看出周六周日的发帖量相对较少，而周二到周五的发帖来相对比较多，大概是因为上课比较无聊喜欢发帖咯？

介于上面两个操作（归一化、画图）下面很多地方都需要用到，所以这里将其封装成函数．

归一化，根据参数可以返回字典，正序、倒序的数组

def norm(_list,get="dict"):
    '''
    对传进来的list进行归一化操作
    :param _list: 需要操作的list
    :param get: 返回的方式
    :return: 根据get返回
    '''
    _dict = {}
    for i in _list:
        if i not in _dict.keys():
            _dict[i] = 1
        else:
            _dict[i] += 1
    if get == "dict" or get == 0:
        return _dict
    elif get == "array" or get == 1:
        return np.array(sorted(_dict.items(),key=lambda asd:asd[0]))
    elif get == "_array" or get == -1:
        return np.array(sorted(_dict.items(),key=lambda asd:asd[0],reverse=True))
    elif get == "array2" or get == 2:
        return np.array(sorted(_dict.items(), key=lambda asd: asd[1]))
    elif get == "_array2" or get == -2:
        return np.array(sorted(_dict.items(),key=lambda asd:asd[1],reverse=True))
    else:
        print("请输入正确的值")
        return None

 画饼状图的函数：

class dictPie:
    '''
    传入字典画图
    '''
    def __init__(self,dict):
        self._dict = dict

    def show(self):
        plt.pie(list(self._dict.values()), labels=list(self._dict.keys()), startangle=90, autopct='%3.1f%%')
        plt.axis('equal')
        plt.legend()
        plt.show()

class arrayPie:
    '''
    传入数组画图
    '''
    def __init__(self,array):
        self._array = array

    def show(self):
        plt.pie(self._array[:,1], labels=self._array[:,0], startangle=90, autopct='%3.1f%%')
        plt.axis('equal')
        plt.legend()
        plt.show()

def show_pie(thing,type = "dict"):
    shows = dict(dict=dictPie,array=arrayPie)
    return shows[type](thing)

 使用上述函数

发帖年份的饼状图：

year_array = norm([x.split(" ")[0].split("-")[0] for x in df["发帖日期"]],get="array")
show_pie(year_array,type="array").show()

 

抓取的数据是此贴吧前近8000条发帖情况，所以发帖年份主要集中在今年（2016）和去年（2015），与基本情况相符。但是在这8000条信息中，2012年的贴子数量却比2013,2014,2011年的要高出很多，说明2012年可能有一些特殊情况，比如2012年的精品帖比较多之类的。

发帖月份饼状图：

month_array = norm([x.split(" ")[0].split("-")[1] for x in df["发帖日期"]],get="array")
show_pie(month_array,type="array").show()

 

从上图可看出，对于发帖的月份来讲6,7,8,9四个月的发帖量占了一半多，而1,2,3,4,11,12六个月的发帖量仅有三分之一左右。大概是因为天气原因吧。科科，原来天气冷了大伙的发帖热情也减低了不少。特别是１月２月，大过年的发帖都是单身狗科科。

发帖星期饼状图：

weekday_array = norm([datetime.strptime(y,"%Y-%m-%d %H:%M").weekday() for y in df["发帖日期"].values],get="array")
show_pie(weekday_array,type="array").show()

 

再看，星期几发帖比较多呢？一周七天分布还是相对均匀的，但是就周六周日来讲还是会稍微第一点，毕竟上课比较无聊发帖会多一点科科。

发帖客户端饼状图：

open_id_dict = norm(df["open_id"])
show_pie(open_id_dict,type="dict").show()

 

就发帖客户端来讲，毫无疑问手机端(tbclient)占领了绝大部分的数据量,剩下的就是网页(tieba)和wap端。

发帖客户端类型饼状图：

open_type_dict = norm(df["open_type"],get=2)
show_pie(open_type_dict,type="array").show()

 

就客户端类型而言，安卓理所应当是巨头，然后就是网页端（nan)，其次是iphone用户，iphone用户量感觉不止这么多啊，土豪都不逛贴吧的嘛。剩下的就是一些比较难识别的客户端，占少部分。

作者性别饼状图：

sex_array = norm(df["作者性别"],get=1)[:3]
show_pie(sex_array,type="array").show()

 

其中1为男，2为女，3代表该用户隐藏自己的性别。都说理工的妹子少，这逛贴吧的妹子更是少咯？

作者等级饼状图：

level_array = norm(df["作者等级"],get=1)[1:16]
show_pie(level_array,type="array").show()

 

１２级是个鸿沟嘛。貌似１１级的小伙伴都比较喜欢发帖想要快点到１２级嘛。

发帖人统计柱状图：

level_array = norm(df["作者昵称"],get=-2)[:10]
plt.xticks(range(10),level_array[:,0])
plt.xlabel("用户名",fontproperties=font_simsun)
plt.ylabel("发帖数",fontproperties=font_simsun)
plt.bar(left=range(10),height=[int(x) for x in level_array[:,1]],color = 'g')

plt.show()

 

用户名隐私所以用户名的显示乱码就没去解决了，大概就是这个样子～

回复数目柱状图：

reply_array = norm(df["回复数目"],get=1)[:-50]
print(reply_array)
plt.bar(reply_array[:,0],reply_array[:,1])
plt.show()

 

在回复数目的处理中，将后面案例很少的去掉了，回帖量主要集中在０－１００之间，人气不够啊。。。

２４小时发帖分布：

hour_array = norm([x.split(" ")[1].split(":")[0] for x in df["发帖日期"]],get="array")
plt.xlabel("时段",fontproperties=font_simsun)
plt.ylabel("发帖数",fontproperties=font_simsun)
#show_pie(hour_array,type="array").show()
plt.bar(hour_array[:,0],[int(x) for x in hour_array[:,1]])
plt.show()

 

凌晨时段发帖还是比较少的，但是深夜发帖量为啥蹭蹭的长呢，一群单身狗没有夜生活科科。。

还有一个分钟段的发帖分布，没啥意义。

 待补充……

欢迎多来访问博客：http://liqiongyu.com/blog

微信公众号：