chinesefreesexvideos高潮,欧美极品少妇性运交,久久久国产一区二区三区,99久久婷婷国产综合精品,成人国产一区二区三区

不少時(shí)候，一篇文章能否得到廣泛的傳播，除了文章本身實(shí)打?qū)嵉馁|(zhì)量以外，一個(gè)好的標(biāo)題也至關(guān)重要。本文爬取了虎嗅網(wǎng)建站至今共 5 萬條新聞標(biāo)題內(nèi)容，助你找到起文章標(biāo)題的技巧與靈感。同時(shí)，分享一些值得關(guān)注的文章和作者。

1. 分析背景

1.1. 為什么選擇「虎嗅」

在眾多新媒體網(wǎng)站中，「虎嗅」網(wǎng)的文章內(nèi)容和質(zhì)量還算不錯(cuò)。在「新榜」科技類公眾號排名中，它位居榜單第 3 名，還是比較受歡迎的。所以選擇爬取該網(wǎng)站的文章信息，順便從中了解一下這幾年科技互聯(lián)網(wǎng)都出現(xiàn)了哪些熱點(diǎn)信息。

1.2. 分析內(nèi)容

• 分析虎嗅網(wǎng) 5 萬篇文章的基本情況，包括收藏?cái)?shù)、評論數(shù)等

• 發(fā)掘最受歡迎和最不受歡迎的文章及作者

• 分析文章標(biāo)題形式（長度、句式）與受歡迎程度之間的關(guān)系

• 展現(xiàn)近些年科技互聯(lián)網(wǎng)行業(yè)的熱門詞匯
  

1.3. 分析工具

• Python 3.6

• pyspider

• MongoDB

• Matplotlib

• WordCloud

• Jieba

2. 數(shù)據(jù)抓取

使用 pyspider 抓取了虎嗅網(wǎng)的主頁文章，文章抓取時(shí)期為 2012 年建站至 2018 年 11 月 1 日，共計(jì)約 5 萬篇文章。抓取 了 7 個(gè)字段信息：文章標(biāo)題、作者、發(fā)文時(shí)間、評論數(shù)、收藏?cái)?shù)、摘要和文章鏈接。

2.1. 目標(biāo)網(wǎng)站分析

這是要爬取的 網(wǎng)頁界面，可以看到是通過 AJAX 加載的。

右鍵打開開發(fā)者工具查看翻頁規(guī)律，可以看到 URL 請求是 POST 類型，下拉到底部查看 Form Data，表單需提交參數(shù)只有 3 項(xiàng)。經(jīng)嘗試， 只提交 page 參數(shù)就能成功獲取頁面的信息，其他兩項(xiàng)參數(shù)無關(guān)緊要，所以構(gòu)造分頁爬取非常簡單。

1huxiu_hash_code: 39bcd9c3fe9bc69a6b682343ee3f024a
2page: 4
3last_dateline: 1541123160

接著，切換選項(xiàng)卡到 Preview 和 Response 查看網(wǎng)頁內(nèi)容，可以看到數(shù)據(jù)都位于 data 字段里。total_page 為 2004，表示一共有 2004 頁的文章內(nèi)容，每一頁有 25 篇文章，總共約 5 萬篇，也就是我們要爬取的數(shù)量。

以上，我們就找到了所需內(nèi)容，接下來可以開始構(gòu)造爬蟲，整個(gè)爬取思路比較簡單。之前我們也練習(xí)過這一類 Ajax 文章的爬取，可以參考：

做 PPT 沒靈感？澎湃網(wǎng) 1500 期信息圖送給你

2.2. pyspider 介紹

和之前文章（《以虎嗅網(wǎng)4W篇文章為例，展現(xiàn)數(shù)據(jù)分析全流程》）不同的是，這里我們使用一種新的工具來進(jìn)行爬取，叫做：pyspider 框架。由國人 binux 大神開發(fā)，GitHub Star 數(shù)超過 12 K，足以證明它的知名度。可以說，學(xué)習(xí)爬蟲不能不會使用這個(gè)框架。

網(wǎng)上關(guān)于這個(gè)框架的介紹和實(shí)操案例非常多，這里僅簡單介紹一下。

我們之前的爬蟲都是在 Sublime 、PyCharm 這種 IDE 窗口中執(zhí)行的，整個(gè)爬取過程可以說是處在黑箱中，內(nèi)部運(yùn)行的些細(xì)節(jié)并不太清楚。而 pyspider 一大亮點(diǎn)就在于提供了一個(gè)可視化的 WebUI 界面，能夠清楚地查看爬蟲的運(yùn)行情況。

pyspider 的架構(gòu)主要分為 Scheduler(調(diào)度器)、Fetcher(抓取器)、Processer(處理器)三個(gè)部分。Monitor(監(jiān)控器)對整個(gè)爬取過程進(jìn)行監(jiān)控，Result Worker(結(jié)果處理器)處理最后抓取的結(jié)果。

該框架比較容易上手，網(wǎng)頁右邊是代碼區(qū)，先定義類（Class）然后在里面添加爬蟲的各種方法（也可以稱為函數(shù)），運(yùn)行的過程會在左上方顯示，左下方則是輸出結(jié)果的區(qū)域。

這里，分享幾個(gè)不錯(cuò)的教程以供參考：

官方主頁：http://docs.pyspider.org/en/latest/

pyspider 爬蟲原理剖析：http://python.jobbole.com/81109/

pyspider 爬淘寶圖案例實(shí)操：https://cuiqingcai.com/2652.html

安裝好該框架并大概了解用法后，下面我們可以就開始爬取了。

2.3. 抓取數(shù)據(jù)

CMD 命令窗口執(zhí)行：pyspider all 命令，然后瀏覽器輸入：http://localhost:5000/ 就可以啟動 pyspider 。

點(diǎn)擊 Create 新建一個(gè)項(xiàng)目，Project Name 命名為：huxiu，因?yàn)橐廊〉?URL 是 POST 類型，所以這里可以先不填寫，之后可以在代碼中添加，再次點(diǎn)擊 Creat 便完成了該項(xiàng)目的新建。

新項(xiàng)目建立好后會自動生成一部分模板代碼，我們只需在此基礎(chǔ)上進(jìn)行修改和完善，然后就可以運(yùn)行爬蟲項(xiàng)目了?，F(xiàn)在，簡單梳理下代碼編寫步驟。

1from pyspider.libs.base_handler import *
 2class Handler(BaseHandler):
 3    crawl_config:{
 4        "headers":{
 5            'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64)
  AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36',
 6            'X-Requested-With': 'XMLHttpRequest'
 7            }
 8    }
 9    def on_start(self):
10        for page in range(2,3): # 先循環(huán)1頁
11            print('正在爬取第 %s 頁' % page)
12            self.crawl(' 
data={'page':page}, callback=self.index_page)

這里，首先定義了一個(gè) Handler 主類，整個(gè)爬蟲項(xiàng)目都主要在該類下完成。 接著，可以將爬蟲基本的一些基本配置，比如 Headers、代理等設(shè)置寫在下面的 crawl_config 屬性中。

如果你還沒有習(xí)慣從函數(shù)（def）轉(zhuǎn)換到類（Class）的代碼寫法，那么需要先了解一下類的相關(guān)知識，之后我也會單獨(dú)用一篇文章介紹一下。

下面的 on_start()  方法是程序的入口，也就是說程序啟動后會首先從這里開始運(yùn)行。首先，我們將要爬取的 URL傳入 crawl() 方法，同時(shí)將 URL 修改成虎嗅網(wǎng)的：https://www.huxiu.com/v2_action/article_list。

由于 URL 是 POST 請求，所以我們還需要增加兩個(gè)參數(shù)：method 和 data。method 表示 HTTP 請求方式，默認(rèn)是 GET，這里我們需要設(shè)置為 POST；data 是 POST 請求表單參數(shù)，只需要添加一個(gè) page 參數(shù)即可。

接著，通過 callback 參數(shù)定義一個(gè) index_page() 方法，用來解析 crawl() 方法爬取 URL 成功后返回的 Response 響應(yīng)。在后面的 index_page() 方法中，可以使用 PyQuery 提取響應(yīng)中的所需內(nèi)容。具體提取方法如下：

1import json
2from pyquery import PyQuery as pq
3def index_page(self, response):
4        content = response.json['data']
5        # 注意，在sublime中，json后面需要添加()，pyspider 中則不用
6        doc = pq(content)
7        lis = doc('.mod-art').items()
8        data = [{
9            'title': item('.msubstr-row2').text(),
10            'url':'https://www.huxiu.com'+ str(item('.msubstr-row2').attr('href')),
11            'name': item('.author-name').text(),
12            'write_time':item('.time').text(),
13            'comment':item('.icon-cmt+ em').text(),
14            'favorites':item('.icon-fvr+ em').text(),
15            'abstract':item('.mob-sub').text()
16            } for item in lis ]   # 列表生成式結(jié)果返回每頁提取出25條字典信息構(gòu)成的list
17        print(data)
18        return data

這里，網(wǎng)頁返回的 Response 是 json 格式，待提取的信息存放在其中的 data 鍵值中，由一段 HTML 代碼構(gòu)成。我們可以使用 response.json['data'] 獲取該 HTML 信息，接著使用 PyQuery 搭配 CSS 語法提取出文章標(biāo)題、鏈接、作者等所需信息。這里使用了列表生成式，能夠精簡代碼并且轉(zhuǎn)換為方便的 list 格式，便于后續(xù)存儲到 MongoDB 中。

我們輸出并查看一下第 2 頁的提取結(jié)果：

1# 由25個(gè) dict 構(gòu)成的 list
2[{'title': '想要長生不老？殺死體內(nèi)的“僵尸細(xì)胞”吧', 'url': 'https://www.huxiu.com/article/270086.html', 'name': '造就Talk', 'write_time': '19小時(shí)前', 'comment': '4', 'favorites': '28', 'abstract': '如果有了最終療法，也不應(yīng)該是每天都需要接受治療'}, 
3 {'title': '日本步入下流社會，我們還在買買買', 'url': 'https://www.huxiu.com/article/270112.html', 'name': '騰訊《大家》?', 'write_time': '20小時(shí)前', 'comment': '13', 'favorites': '142', 'abstract': '我買，故我在'}
4...
5]


可以看到，成功得到所需數(shù)據(jù)，然后就可以保存了，可以選擇輸出為 CSV、MySQL、MongoDB 等方式，這里我們選擇保存到  MongoDB 中。

1import pandas as pd
2import pymongo
3import time
4import numpy as np
5client = pymongo.MongoClient('localhost',27017)
6db = client.Huxiu
7mongo_collection = db.huxiu_news
8
9def on_result(self,result):
10        if result:
11            self.save_to_mongo(result)  
12def save_to_mongo(self,result):
13    df = pd.DataFrame(result)
14    #print(df)
15    content = json.loads(df.T.to_json()).values()
16    if mongo_collection.insert_many(content):
17        print('存儲到 mongondb 成功')
18        # 隨機(jī)暫停
19        sleep = np.random.randint(1,5)
20        time.sleep(sleep)

上面，定義了一個(gè) on_result() 方法，該方法專門用來獲取 return 的結(jié)果數(shù)據(jù)。這里用來接收上面 index_page() 返回的 data 數(shù)據(jù)，在該方法里再定義一個(gè)存儲到 MongoDB 的方法就可以保存到 MongoDB 中。

關(guān)于數(shù)據(jù)如何存儲到 MongoDB 中，我們在之前的一篇文章中有過介紹，如果忘記了可以回顧一下。

下面，我們來測試一下整個(gè)爬取和存儲過程。點(diǎn)擊左上角的 run 就可以順利運(yùn)行單個(gè)網(wǎng)頁的抓取、解析和存儲，結(jié)果如下：

上面完成了單頁面的爬取，接下來，我們需要爬取全部 2000 余頁內(nèi)容。

需要修改兩個(gè)地方，首先在 on_start() 方法中將 for 循環(huán)頁數(shù) 3 改為 2002。改好以后，如果我們直接點(diǎn)擊 run ，會發(fā)現(xiàn)還是只能爬取第 2 頁的結(jié)果。

這是因?yàn)椋琾yspider 以 URL的 MD5 值作為 唯一 ID 編號，ID 編號相同的話就視為同一個(gè)任務(wù)，便不會再重復(fù)爬取。由于 GET 請求的 分頁URL 通常是有差異的，所以 ID 編號會不同，也就自然能夠爬取多頁。但這里 POST 請求的分頁 URL 是相同的，所以爬完第 2 頁，后面的頁數(shù)便不會再爬取。

那有沒有解決辦法呢？ 當(dāng)然是有的，我們需要重新寫下 ID 編號的生成方式，方法很簡單，在 on_start() 方法前面添加下面 2 行代碼即可：

1def get_taskid(self,task):
2    return md5string(task['url']+json.dumps(task['fetch'].get('data','')))

這樣，我們再點(diǎn)擊 run 就能夠順利爬取 2000 頁的結(jié)果了，我這里一共抓取了 49,996 條結(jié)果，耗時(shí) 2 小時(shí)左右完成。

以上，就完成了數(shù)據(jù)的獲取。有了數(shù)據(jù)我們就可以著手分析，不過這之前還需簡單地進(jìn)行一下數(shù)據(jù)的清洗、處理。

3. 數(shù)據(jù)清洗處理

首先，我們需要從 MongoDB 中讀取數(shù)據(jù)，并轉(zhuǎn)換為 DataFrame。

1client = pymongo.MongoClient(host='localhost', port=27017)

2db = client['Huxiu']

3collection = db['huxiu_news']

4# 將數(shù)據(jù)庫數(shù)據(jù)轉(zhuǎn)為DataFrame

5data = pd.DataFrame(list(collection.find()))

下面我們看一下數(shù)據(jù)的總體情況，可以看到數(shù)據(jù)的維度是 49996 行 × 8 列。發(fā)現(xiàn)多了一列無用的 _id 需刪除，同時(shí) name 列有一些特殊符號，比如? 需刪除。另外，數(shù)據(jù)格式全部為 Object 字符串格式，需要將 comment 和 favorites 兩列更改為數(shù)值格式、 write_time 列更改為日期格式

1print(data.shape)  # 查看行數(shù)和列數(shù)
2print(data.info()) # 查看總體情況
3print(data.head()) # 輸出前5行
4
5# 結(jié)果：
6(49996, 8)
7Data columns (total 8 columns):
8_id           49996 non-null object
9abstract      49996 non-null object
10comment       49996 non-null object
11favorites     49996 non-null object
12name          49996 non-null object
13title         49996 non-null object
14url           49996 non-null object
15write_time    49996 non-null object
16dtypes: object(8)
17
18    _id abstract    comment favorites   name    title   url write_time
190    5bdc2   “在你們看到… 22  50  普象工業(yè)設(shè)計(jì)小站?   看了蘋果屌   https://    10小時(shí)前
201    5bdc2   中國”綠卡”號稱“世界最難拿” 9   16  經(jīng)濟(jì)觀察報(bào)?  遞交材料厚   https://    10小時(shí)前
212    5bdc2   鮮衣怒馬少年時(shí) 2   13  小馬宋 金庸小說陪   https://    11小時(shí)前
223    5bdc2   預(yù)告還是預(yù)警？ 3   10  Cuba Libre  阿里即將發(fā)   https://    11小時(shí)前
234    5bdc2   庫克：咋回事？ 2   3   Cuba Libre  【虎嗅早報(bào)   https://    11小時(shí)前

代碼實(shí)現(xiàn)如下：

 1# 刪除無用_id列
 2data.drop(['_id'],axis=1,inplace=True)
 3# 替換掉特殊字符?
 4data['name'].replace('?','',inplace=True,regex=True)
 5# 字符更改為數(shù)值
 6data = data.apply(pd.to_numeric,errors='ignore')
 7# 更該日期格式
 8data['write_time'] = data['write_time'].replace('.*前','2018-10-31',regex=True) 
 9# 為了方便，將write_time列，包含幾小時(shí)前和幾天前的行，都替換為10月31日最后1天。
10data['write_time'] = pd.to_datetime(data['write_time'])

下面，我們看一下數(shù)據(jù)是否有重復(fù)，如果有，那么需要?jiǎng)h除。

 1# 判斷整行是否有重復(fù)值
 2print(any(data.duplicated()))
 3# 顯示True，表明有重復(fù)值，進(jìn)一步提取出重復(fù)值數(shù)量
 4data_duplicated = data.duplicated().value_counts()
 5print(data_duplicated) # 顯示2 True ，表明有2個(gè)重復(fù)值
 6# 刪除重復(fù)值
 7data = data.drop_duplicates(keep='first')
 8# 刪除部分行后，index中斷，需重新設(shè)置index
 9data = data.reset_index(drop=True)
10#結(jié)果：
11True 
12False    49994
13True         2

然后，我們再增加兩列數(shù)據(jù)，一列是文章標(biāo)題長度列，一列是年份列，便于后面進(jìn)行分析。

 1data['title_length'] = data['title'].apply(len)
 2data['year'] = data['write_time'].dt.year
 3Data columns (total 9 columns):
 4abstract        49994 non-null object
 5comment         49994 non-null int64
 6favorites       49994 non-null int64
 7name            49994 non-null object
 8title           49994 non-null object
 9url             49994 non-null object
10write_time      49994 non-null datetime64[ns]
11title_length    49994 non-null int64
12year            49994 non-null int64

以上，就完成了基本的數(shù)據(jù)清洗處理過程，針對這 9 列數(shù)據(jù)可以開始進(jìn)行分析了。

4. 描述性數(shù)據(jù)分析

通常，數(shù)據(jù)分析主要分為四類： 「描述型分析」、「診斷型分析」「預(yù)測型分析」「規(guī)范型分析」?！该枋鲂头治觥故怯脕砀爬ā⒈硎鍪挛镎w狀況以及事物間關(guān)聯(lián)、類屬關(guān)系的統(tǒng)計(jì)方法，是這四類中最為常見的數(shù)據(jù)分析類型。通過統(tǒng)計(jì)處理可以簡潔地用幾個(gè)統(tǒng)計(jì)值來表示一組數(shù)據(jù)地集中性（如平均值、中位數(shù)和眾數(shù)等）和離散型(反映數(shù)據(jù)的波動性大小，如方差、標(biāo)準(zhǔn)差等)。

這里，我們主要進(jìn)行描述性分析，數(shù)據(jù)主要為數(shù)值型數(shù)據(jù)（包括離散型變量和連續(xù)型變量）和文本數(shù)據(jù)。

4.1. 總體情況

先來看一下總體情況。

 1print(data.describe())
 2             comment     favorites  title_length 
 3count  49994.000000  49994.000000  49994.000000  
 4mean      10.860203     34.081810     22.775333  
 5std       24.085969     48.276213      9.540142  
 6min        0.000000      0.000000      1.000000  
 725%        3.000000      9.000000     17.000000  
 850%        6.000000     19.000000     22.000000  
 975%       12.000000     40.000000     28.000000  
10max     2376.000000   1113.000000    224.000000  

這里，使用了 data.describe() 方法對數(shù)值型變量進(jìn)行統(tǒng)計(jì)分析。從上面可以簡要得出以下幾個(gè)結(jié)論：

• 讀者的評論和收藏?zé)崆槎疾凰闾?/strong>。大部分文章（75 %）的評論數(shù)量為十幾條，收藏?cái)?shù)量不過幾十個(gè)。這和一些微信大 V 公眾號動輒百萬級閱讀、數(shù)萬級評論和收藏量相比，虎嗅網(wǎng)的確相對小眾一些。不過也正是因?yàn)樾”?，也才深得部分人的喜歡。

• 評論數(shù)最多的文章有 2376 條，收藏?cái)?shù)最多的文章有 1113 個(gè)收藏量，說明還是有一些潛在的比較火或者質(zhì)量比較好的文章。

• 最長的文章標(biāo)題長達(dá) 224 個(gè)字，大部分文章標(biāo)題長度在 20 來個(gè)字左右，所以 標(biāo)題最好不要太長或過短。

對于非數(shù)值型變量（name、write_time），使用 describe() 方法會產(chǎn)生另外一種匯總統(tǒng)計(jì)。

 1print(data['name'].describe())
 2print(data['write_time'].describe())
 3# 結(jié)果：
 4count     49994
 5unique     3162
 6top          虎嗅
 7freq      10513
 8Name: name, dtype: object
 9count                   49994
10unique                   2397
11top       2014-07-10 00:00:00
12freq                      274
13first     2012-04-03 00:00:00
14last      2018-10-31 00:00:00

unique 表示唯一值數(shù)量，top 表示出現(xiàn)次數(shù)最多的變量，freq 表示該變量出現(xiàn)的次數(shù)，所以可以簡單得出以下幾個(gè)結(jié)論：

• 在文章來源方面，3162 個(gè)作者貢獻(xiàn)了這 5 萬篇文章，其中自家官網(wǎng)「虎嗅」寫的數(shù)量最多，超過了 1 萬篇，這也很自然。

• 在文章發(fā)表時(shí)間方面，最早的一篇文章來自于 2012年 4 月 3 日。 6 年多時(shí)間，發(fā)文數(shù)最多的 1 天 是 2014 年 7 月 10 日，一共發(fā)了 274 篇文章。

4.2. 不同時(shí)期文章發(fā)布的數(shù)量變化

可以看到 ，以季度為時(shí)間尺度的 6 年間，前幾年發(fā)文數(shù)量比較穩(wěn)定，大概在1750 篇左右，個(gè)別季度數(shù)量激增到 2000 篇以上。2016 年之后文章開始增加到 2000 篇以上，可能跟網(wǎng)站知名度提升有關(guān)。首尾兩個(gè)季度日期不全，所以數(shù)量比較少。

具體代碼實(shí)現(xiàn)如下：

 1def analysis1(data):
 2    # # 匯總統(tǒng)計(jì)
 3    # print(data.describe())
 4    # print(data['name'].describe())
 5    # print(data['write_time'].describe())
 6
 7    data.set_index(data['write_time'],inplace=True)
 8    data = data.resample('Q').count()['name']  # 以季度匯總
 9    data = data.to_period('Q')
10    # 創(chuàng)建x,y軸標(biāo)簽
11    x = np.arange(0,len(data),1)
12    ax1.plot(x,data.values, #x、y坐標(biāo)
13        color = color_line , #折線圖顏色為紅色
14        marker = 'o',markersize = 4 #標(biāo)記形狀、大小設(shè)置
15        )
16    ax1.set_xticks(x) # 設(shè)置x軸標(biāo)簽為自然數(shù)序列
17    ax1.set_xticklabels(data.index) # 更改x軸標(biāo)簽值為年份
18    plt.xticks(rotation=90) # 旋轉(zhuǎn)90度，不至太擁擠
19
20    for x,y in zip(x,data.values):
21        plt.text(x,y + 10,'%.0f' %y,ha = 'center',color = colors,
fontsize=fontsize_text )
22        # '%.0f' %y 設(shè)置標(biāo)簽格式不帶小數(shù)
23    # 設(shè)置標(biāo)題及橫縱坐標(biāo)軸標(biāo)題
24    plt.title('虎嗅網(wǎng)文章數(shù)量發(fā)布變化(2012-2018)',color = colors,
fontsize=fontsize_title)
25    plt.xlabel('時(shí)期')
26    plt.ylabel('文章(篇)')
27    plt.tight_layout()  # 自動控制空白邊緣
28    plt.savefig('虎嗅網(wǎng)文章數(shù)量發(fā)布變化.png',dpi=200)
29    plt.show()

4.3. 文章收藏量 TOP10

接下來，到了我們比較關(guān)心的問題：幾萬篇文章里，到底哪些文章寫得比較好或者比較火？

此處選取了「favorites」(收藏?cái)?shù)量)作為衡量標(biāo)準(zhǔn)。畢竟，一般好的文章，我們都會有收藏的習(xí)慣。

第一名「讀完這10本書，你就能站在智商鄙視鏈的頂端了 」以 1113 次收藏位居第一，并且遙遙領(lǐng)先于后者，看來大家都懷有「想早日攀上人生巔峰，一覽眾人小」的想法啊。打開這篇文章的鏈接，文中提到了這幾本書：《思考，快與慢》、《思考的技術(shù)》、《麥肯錫入職第一課：讓職場新人一生受用的邏輯思考力》等。一本都沒看過，看來這輩子是很難登上人生巔峰了。

發(fā)現(xiàn)兩個(gè)有意思的地方：
第一，文章標(biāo)題都比較短小精煉。
第二，文章收藏量雖然比較高，但評論數(shù)都不多，猜測這是因?yàn)?nbsp;大家都喜歡做伸手黨？

4.4. 歷年文章收藏量 TOP3

在了解文章的總體排名之后，我們來看看歷年的文章排名是怎樣的。這里，每年選取了收藏量最多的 3 篇文章。

可以看到，文章收藏量基本是逐年遞增的，但 2015 年的 3 篇文章的收藏量卻是最高的，包攬了總排名的前 3 名，不知道這一年的文章有什么特別之處。

以上只羅列了一小部分文章的標(biāo)題，可以看到標(biāo)題起地都蠻有水準(zhǔn)的。關(guān)于標(biāo)題的重要性，有這樣通俗的說法：「一篇好文章，標(biāo)題占一半」，一個(gè)好的標(biāo)題可以大大增強(qiáng)文章的傳播力和吸引力。文章標(biāo)題雖只有短短數(shù)十字，但要想起好，里面也是很有很多技巧的。

好在，這里提供了 5 萬個(gè)標(biāo)題可供參考。

代碼實(shí)現(xiàn)如下：

 1def analysis2(data):
 2    # # 總收藏排名
 3    # top = data.sort_values(['favorites'],ascending = False)
 4    # # 收藏前10
 5    # top.index = (range(1,len(top.index)+1)) # 重置index，并從1開始編號
 6    # print(top[:10][['title','favorites','comment']])
 7
 8    # 按年份排名
 9    # # 增加一列年份列
10    # data['year'] = data['write_time'].dt.year
11    def topn(data):
12        top = data.sort_values('favorites',ascending=False)
13        return top[:3]
14    data = data.groupby(by=['year']).apply(topn)
15    print(data[['title','favorites']])
16    # 增加每年top123列，列依次值為1、2、3
17    data['add'] = 1 # 輔助
18    data['top'] = data.groupby(by='year')['add'].cumsum()
19    data_reshape = data.pivot_table(index='year',columns='top',values='favorites').
reset_index()
20    # print(data_reshape)  # ok
21    data_reshape.plot(
22        # x='year',
23        y=[1,2,3],
24        kind='bar',
25        width=0.3,
26        color=['#1362A3','#3297EA','#8EC6F5']  # 設(shè)置不同的顏色
27        # title='虎嗅網(wǎng)歷年收藏?cái)?shù)最多的3篇文章'
28        )
29    plt.xlabel('Year')
30    plt.ylabel('文章收藏?cái)?shù)量')
31    plt.title('歷年 TOP3 文章收藏量比較',color = colors,fontsize=fontsize_title)
32    plt.tight_layout()  # 自動控制空白邊緣，以全部顯示x軸名稱
33    # plt.savefig('歷年 Top3 文章收藏量比較.png',dpi=200)
34    plt.show()

4.4.1. 最高產(chǎn)作者 TOP20

上面，我們從收藏量指標(biāo)進(jìn)行了分析,下面，我們關(guān)注一下發(fā)布文章的作者（個(gè)人/媒體）。前面提到發(fā)文最多的是虎嗅官方，有一萬多篇文章，這里我們篩除官媒，看看還有哪些比較高產(chǎn)的作者。

可以看到，前 20 名作者的發(fā)文量差距都不太大。發(fā)文比較多的有「娛樂資本論」、「Eastland」、「發(fā)條橙子」這類媒體號；也有虎嗅官網(wǎng)團(tuán)隊(duì)的作者：發(fā)條橙子、周超臣、張博文等；還有部分獨(dú)立作者：假裝FBI、孫永杰等。可以嘗試關(guān)注一下這些高產(chǎn)作者。

代碼實(shí)現(xiàn)如下：

 1def analysis3(data):
 2    data = data.groupby(data['name'])['title'].count()
 3    data = data.sort_values(ascending=False)
 4    # pandas 直接繪制,.invert_yaxis()顛倒順序
 5    data[1:21].plot(kind='barh',color=color_line).invert_yaxis()
 6    for y,x in enumerate(list(data[1:21].values)):
 7        plt.text(x+12,y+0.2,'%s' %round(x,1),ha='center',color=colors)
 8    plt.xlabel('文章數(shù)量')
 9    plt.ylabel('作者')
10    plt.title('發(fā)文數(shù)量最多的 TOP20 作者',color = colors,fontsize=fontsize_title)
11    plt.tight_layout()
12    plt.savefig('發(fā)文數(shù)量最多的TOP20作者.png',dpi=200)
13    plt.show()

4.4.2. 平均文章收藏量最多作者 TOP 10

我們關(guān)注一個(gè)作者除了是因?yàn)槲恼赂弋a(chǎn)以外，可能更看重的是其文章水準(zhǔn)。這里我們選擇「文章平均收藏量」（總收藏量/文章數(shù)）這個(gè)指標(biāo)，來看看文章水準(zhǔn)比較高的作者是哪些人。

這里，為了避免出現(xiàn)「某作者只寫了一篇高收藏率的文章」這種不能代表其真實(shí)水準(zhǔn)的情況，我們將篩選范圍定在至少發(fā)布過 5 篇文章的作者們。

可以看到，前 10 名作者包括：遙遙領(lǐng)先的 重讀、兩位高產(chǎn)又有質(zhì)量的 辯手李慕陽 和 飯統(tǒng)戴老板  ，還有大眾比較熟悉的 高曉松、寧南山等。

如果你將這份名單和上面那份高產(chǎn)作者名單進(jìn)行對比，會發(fā)現(xiàn)他們沒有出現(xiàn)在這個(gè)名單中。相比于數(shù)量，質(zhì)量可能更重要吧。

下面，我們就來看看排名第一的 重讀 都寫了哪些高收藏量文章。

居然寫的都是清一色關(guān)于馬老板家的文章。

了解了前十名作者之后，我們順便也看看那些處于最后十名的都是哪些作者。

一對比，就能看到他們的文章收藏量就比較寒磣了。尤其好奇最后一位作者 Yang Yemeng ，他寫了 7 篇文章，竟然一個(gè)收藏都沒有。

來看看他究竟寫了些什么文章。

原來寫的全都是英文文章，看來大家并不太鐘意閱讀英文類的文章啊。

具體實(shí)現(xiàn)代碼：

 1def analysis4(data):
 2    data = pd.pivot_table(data,values=['favorites'],index='name',
 aggfunc=[np.sum,np.size])
 3    data['avg'] = data[('sum','favorites')]/data[('size','favorites')]
 4    # 平均收藏?cái)?shù)取整
 5    # data['avg'] = data['avg'].round(decimals=1)
 6    data['avg'] = data['avg'].astype('int')
 7    # flatten 平鋪列
 8    data.columns = data.columns.get_level_values(0)
 9    data.columns = ['total_favorites','ariticls_num','avg_favorites']
10    # 篩選出文章數(shù)至少5篇的
11    data=data.query('ariticls_num > 4')
12    data = data.sort_values(by=['avg_favorites'],ascending=False)
13    # # 查看平均收藏率第一名詳情
14    # data = data.query('name == "重讀"')
15    # # 查看平均收藏率倒數(shù)第一名詳情
16    # data = data.query('name == "Yang Yemeng"')
17    # print(data[['title','favorites','write_time']])
18    print(data[:10])     # 前10名
19    print(data[-10:])    # 后10名