利用Python分析背单词软件的惊人真相

摘要:利用python分析背单词软件,揭秘你不知道的惊人真相

0×00 前言

  • 你想知道背单词软件有大概多少人注册第一天都没有背完嘛
  • 你想知道背单词软件这么火,这么多人在使用,真的有多少人真的在背诵嘛

别急,Python程序员用数据给你说话.

文章目录如下:

  • 0×00 前言
  • 0×01 问题的提出和任务的分解
  • 0×02 任务一,信息爬取
  • ox03 任务二,清理和存储
  • 0×04 任务三,分析
  • 0×05 任务四,结论
  • 0×06 整个流程的不足和反思.
  • 0×07 代码.

0×01 问题的提出和任务的分解

前两天,就在一个雷电交加的夜晚,我躺在床上,草草的看了一篇英文文章,突然想到一个非常有意思的问题:

是不是大部分的人做事真的不能坚持呢比如,背单词.

好,那我就看看到底有多少人是坚持不下来的

那么,我们的问题就变成了这样子:

  • 有多少人是在坚持或者曾经坚持过背单词呢(假设100天以上算的上是背单词的话)
  • 有多少梦想,毁于不能坚持
  • 背单词的人们学习的量,是不是符合正太分布呢

于是我选中了业内的标杆扇贝软件作为分析的对象.抽取其中的大约1/30的用户的公开数据,也就是游客用户都可以看得到的数据,进行抽样调查.

调查的具体内容如下:

  • 打卡最高/成长值最高/学习单词数量最高
  • 平均每个人打卡次数/成长值/学习单词数量
  • 打卡/成长值/学习单词数量的分布(也就是已经坚持了多少天了)

那么,我的任务也就可以分解如下:

  • 爬取数据
    • 使用Python2的Scrapy进行爬站
  • 清理数据
    • sql语句和pandas运算
  • 分析数据
    • pandas + seaborn + ipython book
  • 得出结论

0×02 任务一,信息爬取,清理和存储

每个用户的信息都在这里:

http://www.shanbay.com/bdc/review/progress/2

使用beautifulsoup4 进行解析即可.其他部分参考代码.

扇贝的工程师反爬虫做的还不错,主要有两点:

  • 访问数量超标,封禁IP半个小时.对应的方法就是代理服务器.(代码中已经删除代理服务器,所以,如果你运行不了代码,那你应该知道怎么做了.)
  • cookie如果不禁用很快就无法爬取.对应的方法就是禁用Cookie.

0×03 任务二,清理和存储

对于数据库,使用Postgresql存储就好了.也没有什么大问题.参考代码.有问题在评论下面问.

通常情况下在存入数据库的时候需要进行数据的净化,不处理也没有什么大问题.

0×04 任务三,分析

分析阶段,使用IPython notebook. 通常情况下,我们使用的是Anaconda里面的Python3版本 .可以到这里下载,注意,mac和ubuntu下载的是命令行版本.

https://www.continuum.io/downloads

安装完毕以后,重启终端.环境变量生效.

1

2

#直接安装seaborn

pip install seaborn

切换到指定目录然后敲入命令ipython notebook打开浏览器进行编辑.

至于怎么使用,请看代码.

0×05 任务三,结论

在这里省去部分的分析过程直接贴出结论.

总共抓取1111111张网页,成功获取610888个用户的信息.

于是得出结论如下:

扇贝之最:

  • 最高打卡天数: chainyu 1830天
  • 最高成长值: Lerystal 成长值 28767
  • 最高单词数量: chenmaoboss 单词量 38313

平均到每一个人身上

  • 平均每人打卡天数: 14.18,而超过成长平均值的人数为71342,占总抽样人数的,额,11.69%
  • 平均成长值: 121.79,而超过平均成长的人数为13351,占总抽样人数的,额,11.42%
  • 平均学习单词数量: 78.92,而背超过平均单词的人数为13351,占总抽样人数的,额,2.19%(注意,真的是2%左右)

那么,我们来看看打卡,成长值,单词数量的,分布吧.

第一个,所有人的打卡数量直方图.

利用Python分析背单词软件的惊人真相

这是所有人的打卡数量直方图

简直惨不忍睹.

第二个,非零用户的打卡数量直方图.

利用Python分析背单词软件的惊人真相

非零用户的打卡数量的直方图

这真是一段悲伤的故事.由于坚持不了几天的用户实在是太多,简直就是反比例函数嘛,导致图像严重畸形.那么,我们只能分段了看用户打卡天数在0~20,20~100,100~500,500~2000范围的分布图了.

分别如下:

利用Python分析背单词软件的惊人真相

0~20

利用Python分析背单词软件的惊人真相

20~100

利用Python分析背单词软件的惊人真相

100~500

利用Python分析背单词软件的惊人真相

500~2000

其他成长值的各种分布也是如此,在此就不贴出来了.

正如你所看到的,我再来总结一下,

在抽样中,

  1. 英语梦死在前0天的有416351人,占总比68.15%;
  2. 英语梦死在前1天的有466761人,占总比76.40%;
  3. 英语梦死在前2天的有484535人,占总比79.31%;
  4. 英语梦死在前5天的有510230人,占总比83.52%;
  5. 英语梦死在前10天的有531219人,占总比86.95%;
  6. 英语梦死在前20天的有551557人,占总比90.28%;
  7. 英语梦死在前50天的有575975人,占总比的94.28%;
  8. 英语梦死在前100天的有590700人,占总比96.69%;
  9. 英语梦死在前200天的有575975人,占总比98.36%;
  10. 英语梦死在前263天的有600875人,占总比98.81%;

你可以大致感受到残酷的现实,几乎没有多少人可以坚持到200天以后.

但是,你还需要注意到的事情是:

抽样的来源是ID为1~1111111之间的60W成员

众所周知的事情是:

  • 早期的用户往往质量相对会高一些.而且,注册的ID越大,证明注册时间距离现在越近.获得200天的几率也就低了不少.

那么,这样的话,英语梦死在200天之前的人数比例还会大上不少.

回到文章开始:

问: 背单词软件有大概多少人注册第一天都没有背完嘛
答:68.15%

问:有多少人是在坚持或者曾经坚持过背单词呢(假设100天以上算的上是背单词的话)
答:保守估计,不足3.4%

问:有多少梦想,毁于不能坚持
答:不妨干了这碗鸡汤,歌唱青春一去不复返.

问:背单词的人们学习的量,是不是符合正太分布呢
答:不是,简直就是反比例函数.

抛出一个结论:

以绝大部分人努力之低,根本就用不着拼天赋.

赠给你我,共勉.

0×06 整个流程的不足和反思.

扇贝的工程师反爬虫做的还不错,主要有两点:

  • 访问数量超标,封禁IP半个小时.对应的方法就是代理服务器.
  • cookie如果不禁用很快就无法爬取.对应的方法就是禁用Cookie.

爬虫框架使用Scrapy,这样就免去了大量的繁琐的线程调度问题,直接写获取信息的逻辑代码,以及存储信息的逻辑代码就好了.

在编写爬虫的过程中,有一些经验:

  • 在爬虫开启以后,由于我暴力的关闭,导致还是有不少的item没有完成请求处理和存储.
  • 我在处理异常的时候忘了应当把失败的item存放放在文件中,方便我第二次补充,这样的话就不会丢失一部分的用户信息了.
  • 代理服务器需要自己写脚本进行测试,否则你可能有很多很多的请求都会超时(毕竟很多代理服务器还是很不靠谱的).

我的分析数据能力并不是很强,仅仅是从CS109里面偷学了一点点,然后使用Seaborn画图,但是这整个过程中还是觉得自己分析不过来,不是写不出代码,而是不清楚使用什么样的数据模型进行分析更好.

0×07 代码

代码放在了Github上面,咳咳,注意,没有把代理服务器放进去.如果你跑一下会发现只能半小时抓取300+页面,这不是我的问题,是你没有把代理服务器填好.代码比较粗糙,还请轻拍.

代码的地址为:

https://github.com/twocucao/DataScience/

仓库里包含了抓取网站的代码和分析数据的IPython Notebook,自己阅读吧.

本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流,内容版权归原作者所有,如涉作品、版权和其他问题请给「我们」留言处理。

(7)
张乐的头像张乐编辑
上一篇 2016-03-19 16:19
下一篇 2016-04-28 00:21

相关文章

  • Python基础教程5:变量类型

    变量存储在内存中的值。这就意味着在创建变量时会在内存中开辟一个空间。 基于变量的数据类型,解释器会分配指定内存,并决定什么数据可以被存储在内存中。 因此,变量可以指定不同的数据类型,这些变量可以存储整数,小数或字符。 变量赋值 Python中的变量不需要声明,变量的赋值操作既是变量声明和定义的过程。 每个变量在内存中创建,都包括变量的标识,名称和数据这些信息…

    2015-12-19
    0
  • 通过数据解释过去

    数据的作用主要体现在两方面:解释过去和预测未来。

    2016-07-12
    0
  • 练就“数据分析大师”的《圣经》

    摘要:数据分析到底是什么,数据分析到底做什么,以及为什么企业需要数据分析,数据分析人才到底是什么样。作为数据分析新人,我们需要学习哪些东西。 那么我当年,在进入数据分析这块行业的时候也是和很多刚进入这块的同学一样,一样的迷茫,一样的不知道该学习什么,一样的不知道为什么需要有什么样的职业规划。刚开始选择了在国内的一家一线品牌的电商公司,具体工作是做网站分析师。…

    2015-12-19
    0
  • 阿里云机器学习平台的思考

    未来也许只有三类机器学习工程师有前途,一类是能改进和创造新的算法的,这是算法大师,二是做机器学习平台的,含功能,算法和数据,这是产品大师,三是能够深刻理解客户需求的,在某个行业有足够业务和数据底蕴,因此能够利用高效的平台工具创造价值的,这是应用大师。

    2017-09-24
    0
  • Python教程:7款数据图表工具的比较

    摘要:本文介绍7款 Python 数据图表工具的比较 Python 的科学栈相当成熟,各种应用场景都有相关的模块,包括机器学习和数据分析。数据可视化是发现数据和展示结果的重要一环,只不过过去以来,相对于 R 这样的工具,发展还是落后一些。 幸运的是,过去几年出现了很多新的Python数据可视化库,弥补了一些这方面的差距。matplotlib 已经成为事实上的…

    2016-03-13
    0
关注我们
关注我们
分享本页
返回顶部