Python筆記 · 基於72萬知乎用戶信息的數據可視化

之前寫過一個獲取知乎用戶主頁信息的多線程爬蟲： Python筆記 · 一個多線程知乎用戶爬蟲的實現 ，大概獲取了72萬知乎用戶的主頁信息。

這幾天試著用這些數據和Python的一些工具，比如jupyter，numpy，matplotlib和wordcloud等做了一些數據可視化，下面把一些成果分享給大家。

數據可視化的代碼主要使用jupyter notebook編寫，也放在了之前的爬蟲項目下的analysis文件夾中：moranzcw/Zhihu-Spider 。

首先是使用常規的直方圖統計了一些信息。

贊同數和感謝數分布：

橫坐標是贊同數或感謝數，縱坐標是在這個贊同數或感謝數上的用戶人數。可以看到，理所當然是一個長尾分布，人們更喜歡用贊同而不是感謝。

為什麼分成六幅圖而不是一幅圖，原因在於，隨著贊同數或感謝數升高，用戶數量衰減得太快，若畫在一幅圖中，趨勢非常貼近坐標系，效果會非常差。

另外，第六幅圖右下角獲得三百多萬贊同的用戶，大家應該可以很容易猜到是誰了。

贊同數和感謝數的空間分布：

現在，可以更進一步，使用x軸表示贊同數，y軸表示感謝數，z軸表示用戶數量，這樣我們得到了一個「空間直方圖」。

這裡注意，為了更好的展示效果，z軸不是等比例的，而是指數遞增的。

可以看到，用戶分布非常貼近x軸，也就是說點贊的使用率要遠高於感謝。

關注數和被關注數分布：

用戶的關注數和被關注數的趨勢大致相近，但是高被關注數的用戶要多於高關注數的用戶。這也確實符合一般常識：一般用戶通常至多關注幾百用戶，而一個熱門用戶往往可以被數萬用戶關注。

另外，我們也能注意到一個很有意思的細節，第一幅圖中，關注者數為0的用戶不存在，這顯然不符合常理，但是數據是沒有問題的，問題在數據的篩選上。之前講爬蟲的文章中，我們獲取用戶的策略是廣度優先搜索，並且是使用用戶的關注列表來搜索，這就決定了獲取到的用戶都至少有一個關注者。

關注數和被關注數空間分布：

可以看出，原點存在一個峰值，數據分布貼近x軸和y軸向兩邊延展，存在一定的極化，由此判斷，可以不嚴謹地將用戶分幾類：熱門用戶（高關注者數，低關注數），普通用戶（低關注者數，低關注數），重度用戶（低關注者數，高關注數）。

同時，我們可以注意到，在x軸 ，關注數5000的位置，存在一個峰值，關注數高於5000的用戶幾乎沒有，這是因為知乎對每個用戶的關注數限制為5000，導致一些重度用戶集中在5000這個位置，無法繼續關注更多用戶。

還有一些例如回答數，收藏數等的統計，個人認為過於單調，不一一放上來了。

全國知乎用戶地理分布：

這個圖沒有用更好的工具做，是直接用matplotlib硬來的，其實用一些如Echarts，Plotly等更高級的工具反倒更簡單，但是之前都用的matplotlib，這裡畢竟只為了一個圖就引入其他庫了。

這個圖製作流程大致就是，用百度地圖API截取一張自己需要的地圖作為背景，然後依然使用百度地圖API將用戶信息里的中文地名批量轉換到經緯度，再依次經緯度繪製在圖上就可以了。

從圖上看，這個分布確實很符合常理，大量用戶集中在沿海發達城市。知乎以年輕用戶為主。

然後使用了詞雲工具展示一些數據，效果也還不錯。

（鑒於有人說圖片晃眼睛，於是改了一下配色）

獲得贊同最多的用戶：

這一堆ID大家應該很熟悉，都是各位時間線的主要構成。

獲得感謝最多的用戶：

獲得關注最多的用戶：

答案被收藏最多的用戶：

感謝數，關注數，贊同數和收藏數基本上就是幾個大V霸屏了，比如 @張佳瑋 @肥肥貓 等。

回答數最多的用戶：

文章數最多的用戶：

提問最多的用戶：

提問，文章和回答數的熱門用戶就和之前的區別大了，反正這上面大多數ID我都不認識，看來，往往大V們喜歡回答，而喜歡寫文章和提問的往往又不是普通用戶熟悉的大V。

最後統計了用戶的一些標籤信息。

最熱門的學校：

都說知乎985起步，常春藤平均水平，看起來好像不是開玩笑哈哈哈。不過這個圖依然只能當作參考，首先是爬取的用戶只有72萬，不代表整個知乎，其次爬取策略上，也會優先爬取熱門用戶，最後，也是評論區提到的，往往學歷較高的用戶都會認真填寫學歷信息。這些都會影響統計結果。

最熱門的專業：

IT依舊是最熱門的行業，大家都知道了。

最熱門的公司：

BAT，華為，網易等非常熱門，這圖看起來不像是統計熱門公司，而是統計熱門IT公司。

最熱門的職位：

在知乎上被黑出翔的產品經理居然是最熱門的。

最熱門的行業：

可以說知乎就是一個程序員次文化社區。

（以上統計結果僅僅基於72萬用戶數據，僅作參考。）