知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

一次完整的python数据分析流程是怎么样的?

使用python从网站抓取数据,并将这些数据保存到SQLite数据库中,然后对数据进行清洗,最后对数据进行数据可视化分析。

可是熟悉的人应该知道,python爬取简单,但是分析起来是很困难的,SQL语句、Pandas和Matplotlib这些十分繁琐,一般人也不会。

于是我想到了用一种更简单的方式进行数据分析,那就是python爬取+BI分析。什么是BI就不用我多做介绍了吧,python强大的数据获取能力,配合敏捷BI简单快捷的数据可视化操作,分析效果那肯定是杠杠的!

那这次我们就来看看“人均985,年薪百万”的知乎背后,到底有什么秘密?话不多说,开爬!

一、我们想要哪些数据?

知乎用户的学校和公司肯定是首当其冲的,我想看看到底这些人是编的还是真的哈哈哈。

其次就是性别,职业,地理位置,活跃程度等,统统扒个遍。

二、爬取的过程

知乎现在改用https请求了,数据加密,但是问题不大,重要的是网页数据改动了,而且在请求时后台会对爬虫做一些判断,因此在每次请求是都需要加上request header,尽可能接近浏览器请求的样子。

得到列表页的源码后,你可以从其中获取到每个问题的链接:

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

每页有20个问题,所以你可以获得到20个问题的链接,之后就是对每个问题的处理:

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

能实现到这一步,剩下的就是循环、判断和一些细节了。

最终一部分的代码如下:

import requests 
import pandas as pd 
import time 
headers={ 
    'authorization':'',#此处填写你自己的身份验证信息 
    'User-Agent':''#此处填写你自己浏览器的User-Agent 
} 
user_data = [] 
def get_user_data(page): 
    for i in range(page):#翻页 
        url = 'https://www.zhihu.com/api/v4/members/excited-vczh/followees?include=data%5B*%5D.answer_count%2Carticles_count%2Cgender%2Cfollower_count%2Cis_followed%2Cis_following%2Cbadge%5B%3F(type%3Dbest_answerer)%5D.topics&offset={}&limit=20'.format(i*20) 
        response = requests.get(url, headers=headers).json()['data'] 
        user_data.extend(response) #把response数据添加进user_data 
        print('正在爬取第%s页' % str(i+1)) 
        time.sleep(1) #设置爬取网页的时间间隔为1秒 
 
if __name__ == '__main__': 
    get_user_data(10) 
    df = pd.DataFrame.from_dict(user_data)#以字典保存数据 
    df.to_csv('zhihu.csv',encoding='utf_8_sig')#保存到用户名为zhihu的csv文件中,encoding='utf_8_sig'参数是为了解决中文乱码的问题 
    print(df) 

更多源代码见文末!

在Python代码中我并没有采取线程池,而是采用了开起10个main()方法去抓取,即10个进程,历时4个小时,爬取了57w+数据。

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

三、用BI进行数据可视化分析

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

现在我们已经进行到最后一步用BI开始做数据可视化了,揭秘知乎的时刻就要到来了。

市面上的BI工具有很多种,国外的Tableau和国内的FineBI都是BI领域的领先者,但早就听说Tableau适合有基础的数据分析师,对于小白很不友好。再加上我前天偶然间看到了IDC的报告,发现帆软的市场占有率是第一,为了避免回炉重做,我选择了FineBI这款敏捷工具,事实证明,我的选择是对的。

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

首先在官网下载FineBI,虽说是企业级的数据分析平台,但是它对于个人是永久免费的,文末给大家准备了下载链接~

然后直接通过FineBI提供的数据配置端的功能,添加SQL数据集(或者直接添加表也行),查看和验证刚刚爬取并且入库的数据是否已经真正成功入库到MySQL中了。

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

忘了说,FineBI的一大特点就是自助分析。什么叫自助分析?就是我自己拖拖拽拽数据,就可以有和Matplotlib一样的效果,你也许还会想到Excel,但一般几万行的数据以上,excel基本就无能为力,很卡。但是FineBI处理大数据依然可以行云流水,效率高几十倍上百倍都有可能。

同时VBA有个致命弱点是,它只能基于excel内部进行自动化,其他方面就没办法了。

我在写这篇文章之前,分析过房价和销售额,特地把它做成了动图供大家参考:

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

四、知乎的数据可视化

FineBI的仪表板可自行拖拽调整组件位置,配上多种类型的柱状图、饼图、雷达图,数据可视化就是这么轻而易举,只有你想不到,没有它做不到。

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

1、哪个城市的知乎用户最多?

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

从云词图中我们可以看出,城市越繁华,知乎的用户人数就越多(文字越大,比重越大)。所以也可以看见北上广深四个一线城市处于最中心,新一线城市紧随其后,换句话说:知乎的人大部分在一线城市或者新一线城市,果然是见多识广!

再来看看具体的排名吧:

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

杭州处在第三名了,果然互联网的发源之地之一不是吹的,阿里网易起到了很大的作用,为什么这么说?等你看到职业就明白了。

2、他们都是哪些学校的?

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

你看看,你看看,这学历真的很高,谁说人均985都是吹的?

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

不过也不奇怪,知乎主打的就是高知识份子的聚集地,而且学生比起上班族,有更多的时间玩手机。

既然分析到学校了,我们肯定要来看看各个高校上玩知乎的男女比例:

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

不用我说你们就可以猜到,蓝色代表的是男生,女孩子要么在逛街,要么就在学习,低头玩手机的肯定是男孩子哈哈哈(虽然我也是男的)。

我们再来看看各地区有哪些高校是知乎重度用户,颜色越深代表该学校的知乎用户越多:

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

别说了,知乎人均985实锤了,我流下了羡慕的泪水,我想请问同学,是怎么做到玩和学习同时兼顾的?你如果教教我,我高考距离清华的录取分数线可能就更近一点了....

3、知乎的职业比例

除去学生之后,我们发现知乎的人都是....

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

产品经理最多,这是最近几年最火爆的职业吧,不过话说你的文档写好了?需求画好了?是不是知乎的页面交互你不太满意?不然还不去干活?

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

可以看到,除了一些互联网公司的常见职位外,教师和律师用户在知乎中也占据不小的比重。

我们再用一张热力图来观察知乎主流职业(前四名)在各个地区的分布情况,颜色越深,代表该职业在该地区的人数越多:

知乎人均985?Python爬50W数据,BI做出可视化后,我有了答案

总结