聲明：此文并不是標題黨，如果你不滿18歲，請馬上關閉，在父母陪同下觀看也不行。
數據來源
本文的數據抓取自國內最大的亞文化視頻社區網站（不，不是 B 站），其中用戶出于各種目的會在發帖的標題中加入城市名稱，于是本文抓取了前10000個帖子的標題和發帖用戶 ID，由于按照最近發帖的順序排列，所以抓取數據基本上涵蓋了2016年期間的發帖內容。然后通過匹配提取標題中所包含的城市信息，對16年活躍用戶的歸屬地進行分析統計，另根據最近發布的《2016年中國主要城市 GDP 排名》：
想要學習Python。關注小編簡書，私信【學習資料】，即可免費領取一整套系統的板Python學習教程！
檢驗兩者之間是否存在某種程度的相關。
爬蟲
當然本文的目的主要還是出于純粹的技術討論與實踐，數據抓取和分析處理均使用 Python 完成，其中主要用到的數據處理和可視化工具包分別是Pandas和Plot.ly+Pandas。
由于網站使用較傳統的論壇框架，經測試也沒有防爬蟲的措施，因此可以大膽地使用多線程，對于網頁內容分析也可以直接用正則匹配完成：
import requests as req
import re
from threading import Thread
def parser(url):
res = req.get(url)
html = res.text.encode(res.encoding).decode()
titles = re.findall(RE_TITLE, html)
v = []
if titles is not None:
for title in titles:
if len(title) == 2 and title[-1] != 'admin':
if title[0][-1] != '>':
v.append(title)
return v
def worker(rag):
"""
將每個線程的數據臨時存儲到一個新的文本文件中即可。
"""
with open('{}+{}.txt'.format(rag), 'w+') as result:
for p in range(
rag):
url = ENT_PAT.format(p)
for title in parser(url):
result.write("{}|{}
".format(*title))
def main():
threads = []
for i in range(len(SECTIONS)-1):
threads.append(Thread(target=worker, args=(SECTIONS[i:i+2],)))
for thr in threads:
thr.start()
ifname== 'main':
main()
以上就是爬蟲部分的代碼（當然隱去了最關鍵的網址信息，當然這對老司機們來說并不是問題）。
Pandas
Pandas 可以看做是在 Python 中用于存儲、處理數據的 Excel，與 R 語言中的 data.frame 的概念相似。首先將所有單獨存儲的文件中的數據導入到 Pandas：
import os
import pandas as pd
title, user = [], []
for root, _, filenames in os.walk('raws'):
for f in filenames:
with open(os.path.join(root, f), 'r') as txt:
for line in txt.readlines():
if line and len(line.split("|")) == 2:
t, u = line.split("|")
title.append(t)
user.append(u.strip())
data = pd.DataFrame({"title": title, "user": user})
保存到 csv 文件備用
data.to_csv("91.csv", index=False)
接下來以同樣的方式將國內主要城市數據、2016主要城市 GDP 排行數據加載到 Pandas 中備用。
數據分析
首先需要明確以目前的數據可以探討哪些有趣的問題：
各個城市的發帖總數；
各個城市的活躍用戶數量；
以上兩個數據結果與 GDP 之間的關系；
發帖形式分類（雖然這個問題的答案可能更有趣，以目前的數據量很難回答這問題，而且需要涉及到較復雜的 NLP，先寫在這里）；
最活躍的用戶來自哪里。
首先加載備用的數據：
import pandas as pd
TABLE_POSTS = pd.read_csv("91.csv")
TABLE_CITY = pd.read_csv("TABLE_CITY.csv")
TABLE_GDP = pd.read_csv("TABLE_GDP.csv")
匹配標題中是否存在城市的名稱：
# 先替換可能出現的“昵稱”
TABLE_POSTS.title = TABLE_POSTS.title.str.replace("帝都", "北京")
TABLE_POSTS.title = TABLE_POSTS.title.str.replace("魔都", "上海")
def query_city(title):
for city in TABLE_CITY.city:
if city in title:
return city
return 'No_CITY'
TABLE_POSTS['city'] = TABLE_POSTS.apply(
lambda row: query_city(row.title),
axis=1)
過濾掉沒有出現城市名的數據：
posts_with_city = TABLE_POSTS.loc[TABLE_POSTS.city != 'No_CITY']
以城市名進行 groupby，并按發帖數之和倒序排列：
posts_with_city_by_posts = posts_with_city.groupby(by="city").count().sort_values("title", ascending=False)[['title']].head(20)
現在已經可以直接回答第一個問題了，用 Plot.ly 將 Pandas 中的數據可視化出來，有兩種方式，我們選擇較簡單的 cufflinks 庫，直接在 DataFrame 中繪制：
import cufflinks as cf
cf.set_config_file(world_readable=False,offline=True)
posts_with_city_by_posts.head(10).iplot(kind='pie',
labels='city',
values='title',
textinfo='label+percent',
colorscale='Spectral',
layout=dict(
title="City / Posts",
width="500",
xaxis1=None,
yaxis1=None))
Python爬取某網站數據分析報告，不滿十八歲禁止觀看
前6名基本上不出什么意外，但是大山東排在第7名，這就有點意思了。為了排除某些“特別活躍”用戶的干擾，將用戶重復發帖的情況去除，只看發帖用戶數量：
# 去除 user 欄中的重復數據
uniq_user = posts_with_city.drop_duplicates('user')
同樣按照城市 groupby，然后倒序排列
posts_with_city_by_user = uniq_user.groupby(by="city").count().sort_values("title", ascending=False)[['title']].head(15)
posts_with_city_by_user.head(10).iplot(kind='pie',
values='title',
labels='city',
textinfo='percent+label',
colorscale='Spectral',
layout=dict(title="City / Users",
width="500",
xaxis1=None,
yaxis1=None))
Impressive，山東。至少說明還是比較含蓄，不太愿意寫明具體的城市？是這樣嗎，這個問題可以在最后一個問題的答案中找到一些端倪。
接下來要和 GDP 數據整合到一起，相當于將兩個 DataFrame 以城市名為鍵 join 起來：
posts_with_city_by_user_and_gdp = posts_with_city_by_user.merge(TABLE_GDP, left_on='city', right_on='city', how='inner')
由于有些漏掉的排行數據，同時由于人口數據較大，需要進行一定的預處理和標準化處理：
posts_with_city_by_user_and_gdp['norm_title'] =
posts_with_city_by_user_and_gdp.title/posts_with_city_by_user_and_gdp['pop']
posts_with_city_by_user_and_gdp['norm_rank'] =
posts_with_city_by_user_and_gdp['rank'].rank()
posts_with_city_by_user_and_gdp['x'] =
posts_with_city_by_user_and_gdp.index.max() - posts_with_city_by_user_and_gdp.index + 1
posts_with_city_by_user_and_gdp['y'] =
posts_with_city_by_user_and_gdp['norm_rank'].max() - posts_with_city_by_user_and_gdp['norm_rank'] + 1
繪制氣泡圖，氣泡大小為用戶數量與人口數的比，坐標值越大排行越高：
可以看到基本上存在一定程度的相關，但是到這里我們發現更有趣的數據應該是那些出現在 GDP 排行榜上卻沒有出現在網站排行上的城市，是不是說明這些城市更加勤勞質樸，心無旁騖地擼起袖子干呢？
good_cities = posts_with_city_by_user.merge(TABLE_GDP, left_o
="city", right_on="city", how="right")
good_cities[list(good_cities.title.isnull())][['city', 'rank', 'pop', 'title']]
注：由于 posts_with_city_by_user 只截取了前15，實際上青島是排在前20的，從下一個結果中就能看出來…
最后一個問題，最活躍的老司機們都來自哪個城市？
user_rank = pd.DataFrame(TABLE_POSTS.user.value_counts().head(20))
user_rank.reset_index(level=0, inplace=True)
user_rank.columns = ['user', 'count']
user_rank.merge(posts_with_city[['user', 'city']], left_on='user', right_on='user', how='inner').drop_duplicates(['user','city'])
總結
以上就是全部數據與分析的結果。其實大部分只是一個直觀的結果展示，既沒有嚴謹的統計分析，也沒有過度引申的解讀。只有經過統計檢驗才能得出擁有可信度的結論，在一開始已經說明了本文只是純粹的技術討論與實踐，所抓取的10000多條數據也只是網站中某個板塊，因此對于以上結果不必太過認真。
想要學習Python。關注小編小編，私信【學習資料】，即可免費領取一整套系統的板Python學習教程！
