【大数据实战】:知乎百万用户分析

  1. 云栖社区>
  2. 博客>
  3. 正文

【大数据实战】:知乎百万用户分析

小猪佩佩 2019-04-17 13:49:47 浏览639
展开阅读全文

背景

这几天,同事都去出差,稍有感冒的我提前在办公室感受到了“孤独终老”的恐惧。

于是,我想在自己有能力并且还有激情的时候,去做一些以后值得回忆的事。我萌生了去“探望”下知乎的念头。

前言

我个人是15年注册知乎,三年过去了,我个人主页数据是:

webp

我一直不喜欢知乎上面的氛围,但是通过知乎我确实拿到了很多学习、设计、阅读和产品灵感的资源,都是通过知乎链接到其他平台;在此也感谢这个平台给每一个求知者带来的帮助和启发。这次我将利用知乎用户的数据,从数据分析的角度,以用户、区域、行业、专业、大学、喜欢数、粉丝数和性别为交叉对比展开分析,因为我迫切想知道,那些大 V 从哪来,做了什么事,是个什么背景等等像打了马赛克一样的信息。下面我们一一展开。

 我自己整理的一份最新的大数据进阶资料和高级开发教程,大数据学习群:522189307   欢迎进阶中和进想深入大数据的小伙伴加入。

数据

直接爬取知乎的用户数据,包括ID、粉丝数量、工作信息、回答数量、文章数量等等。

webp

部分数据不完整,gender 列中“1”表示男,对应的“0”就是女啦。

这些用户的分布区域是什么样的

拿到这些数据,我一开始不关注用户的性别,我知道,这个参考价值并不高,因为,我在一些社区都会在性别那一栏填上“女”。

于是, 根据用户的地域信息,得到如下这张图

webp

气泡大小表示数据多少,很明显北京和上海的用户是最多的,这个地区分布有着什么样的潜在含义?读者可以思考下这个问题,后面的分析会给出答案。

用户分布区域决定这个区域的回答数量吗

其实在做下面这张图之前,我的猜想的答案是肯定的,很明显嘛,哪里人多,自然而然的就会回答多一些,但是我注册知乎后的个人数据又说明存在特例:有的用户都不喜欢回答。带着疑问我做了下面这个分析,看看这些区域的同学是不是平常贡献答案最勤快的。

webp

这个图几乎和上面的完全吻合,用这个图来说明“我的猜想是正确的”并不合适,但是用这个图来打消你心中对这个猜想准确性所产生的疑虑,应该足够了。

用户都来自哪些大学

webp

我乍一看这个图,我就知道数据有问题,虽然学校的排名与上面地域占比的关系吻合(清华、北大排第一第二与北京用户最多符合常识)的,但是整体数据量太小了,我回头看一下原始的数据,我发现“学校”这个字段下面的值都大多都是“Null”,在处理做图的时候默认过滤空值。发现这个之后,比较庆喜,至少这展示出来的部分数据真实性很高,因为不想公开自己大学的用户可以直接不填(也就是Null)而不会出现不是北大填北大的现象;如果有,那这样的人,我们忽略他吧。

哪个大学的用户贡献的答案最多

我们都知道,知乎是一个问答社区,贡献自己的回答,来帮助他人,从知识的领域,将雷锋精神发扬光大。那么哪个学校的用户总体回答数最高呢?

webp

最喜欢回答问题的用户大多来自武汉大学,紧据第二的是复旦大学,前四名被武汉和上海两个城市占据。

这个时候也许你和我一样,那用户数占据最多的北京大学呢?我个人现在的解释是:知乎总部位于北京,在平台冷启动之初,种子用户的大学这个字段的值都是“北京大学”,那批用户开始塑造社区氛围后,后面就“隐居山林”了,如李开复博士;所以后面用户量大起来,发言次数每排上榜就是正常的啦。

用户粉丝的多少与哪些因素有关

webp

这是知乎用户的粉丝排行榜,这张图给我的疑问太多太多

是不是回答的数量越多,粉丝越多呢?

是不是获得感谢越多,粉丝越多呢?

是不是文章写得越多,粉丝越多呢?

带着这些疑问,我做了如下这张图,根据分析结果,上面这几个疑问的答案就不言而喻了

webp

并不是回答和文章次数越多,粉丝就越多,这也提醒大家,产出高质量的答案和文章,比高数量的答案和文章更有价值,更能得到别人的关注,多没用,要好才行。

有意思的专业

谈到写文章,我就想看看这些平常喜欢写作的同学都是学的什么专业

webp

诸多默默奉献文章的高尚之士,都选择隐藏专业,在可分析的维度上,软件工程的同学摘得桂冠。中间这个“修地球专业”的文章我猜想是同一个人的贡献,因为这个专业名字除了他,应该没人想得出来233333

举一反三,我又得到了以下这张分析图,看来付出和回报是成正比的,你付出的越多,得到感谢就越多,这个世界还是很公平很美好的。差不多有200万的用户关注了“经济学”专业的同学,看来在比谁钱多的时代,经济方面文章和知识是个值得补充和提高的,大部分人在这块有极大的需求…在计算机科学专业方面的回答比肩软件工程专业,原来程序员哥哥除了不喜欢洗头,还是有很多优点的,比喻“乐于助人”。

webp

那些经常提问的同学都来自哪个行业领域

还记得开篇的时候让大家思考的那个问题吗,如果你还没来得及思考,你现在可以再回头看一下~

webp

在“互联网”行业,获得感谢接近13M,获得了900k的回答…

现在我们来看看开篇中的那个问题

webp

上面的分析我们清楚的得到,用户普遍来自北京上海;而这张图可以看出,知乎上的用户在互联网这块的产出和关注度非常高,那就很好解释了:这群来自上海和北京的知乎用户,由于上海和北京互联网发展最快最发达,导致他们普遍比较关注互联网这一块。互联网之都:北上广深,(后面发展较好较快的还有杭州、南京、成都、武汉等等)关注和从事互联网的几乎都在这个四个城市,那么前后这两个看似没有任何关联不同维度的数据,恰巧有着天衣无缝的吻合。

开始我本来想直接查看个用户的职位性质来直接说明这个,但是我觉得单纯以一个在“注册”和“完善资料”步骤中填写的一个职位来说明这个有点牵强和草率,所以后面我换了一种思维,我想从用户关注的点,以及知乎上面的问题和回答所呈现的数据反推“所在的地域决定了大的环境,环境影响人关注的行业和领域”这一点,这样也显得更加严谨和科学。

下面是用户职位的分析(去除空值null后的)

webp

其实职位不用分析也知道是这个情况。其中“创始人、合伙人、联合创始人”等都可以当作“创始人”;“产品经理、PM,产品,产品设计师”等都可以归纳为“产品经理”,“创始人”和“产品经理”这两个职位和“互联网”这三个字凝固得非常紧,而且不是这个行业的工作人员高度关注这个行业貌似也说不过去,去问或者去回答这块的问题就更扯了…

首次发言的潜在寓意是什么

仔细看上面数据 excel 截图的同学应该发现了,其中有个字段是”first_answer”,这个字段很有用

webp

这是爬取的用户当中,首次回答的用户数量在以年为维度上的走势,(很多用户的 first_answer 我不知道为什么没有爬到~)首次回答和什么有关系?当然是注册时间啊,任何一个产品在用户首次注册的时候,新鲜感和活跃动力是最强的,如果在开始注册之际这个用户就没有参与平台的互动,我们大可以断定这个用户已经沉淀或流失。我们假设知乎上面的用户在注册的时候就开始去回答别人的问题(可能有一两天甚至一两周的时间差,但是在以年为维度,可以忽略),那么 first_answer 可以转换为注册时间,而注册时间可以反观一个平台的推广力度和运营力度,那么有了这个思路,我们再看上面的图

从10年到11年,几乎垂直上升,说明在这个时间段,有大量的用户注册。事实是,知乎是10年末期开放邀请注册的,那么此期间用户剧增,理所当然

从11年到12年,有下降,说明在产品形成初期,有一定的用户基数后,注册遇到了瓶颈,在知乎社区活跃的几乎都是老用户,所以没有新用户,不存在首次回答,于是,出现了下降

从12年到14年,再次出现峰值,说明又有大批用户注册,去翻知乎的发展史可以看到,这个时间段,知乎取消以往的邀请注册,开放公众注册,那自然而然会出现用户暴增了

之后的几年都是下降,如果读者是互联网从业或者关注这块的信息,你应该已经想到这是产品的用户瓶颈到了,一个平台的用户天花板只有这么高,当没有新用户注册并且参与活跃,first_answer 这个字段就没有意义了,所以到了16年,首次回答的用户非常低,说明,这个平台的新用户增长低,甚至没有

这是从 first_answer 得出的分析,那么你能根据 last_answer 得出什么结论呢?

总结

有时候从数据分析去反推事实很有意思,这大概也是数据产品最迷人的地方吧。以后的一段时间,我将爬拉钩、爬新浪、爬大众点评、爬物流等一系列平台的数据,来和大家一起分享数据产品经理的乐趣和日常,感兴趣的朋友,欢迎一起交流!


网友评论

登录后评论
0/500
评论
小猪佩佩
+ 关注