Habrastatistics៖ ការវិភាគយោបល់របស់អ្នកអាន

សួស្តី Habr ។ IN ផ្នែកមុន។ ភាពពេញនិយមនៃផ្នែកផ្សេងៗនៃគេហទំព័រត្រូវបានវិភាគ ហើយនៅពេលជាមួយគ្នានោះសំណួរបានកើតឡើង - តើទិន្នន័យអ្វីខ្លះអាចត្រូវបានស្រង់ចេញពីមតិយោបល់លើអត្ថបទ។ ខ្ញុំក៏ចង់សាកល្បងសម្មតិកម្មមួយ ដែលខ្ញុំនឹងពិភាក្សាខាងក្រោម។


ទិន្នន័យបានប្រែទៅជាគួរឱ្យចាប់អារម្មណ៍ ហើយយើងក៏អាចចងក្រង "ការវាយតម្លៃខ្នាតតូច" តូចមួយនៃអ្នកអត្ថាធិប្បាយផងដែរ។ បន្តនៅក្រោមការកាត់។

ការ​ប្រមូល​ទិន្នន័យ

សម្រាប់ការវិភាគ យើងនឹងប្រើប្រាស់ទិន្នន័យសម្រាប់ឆ្នាំនេះ 2019 ជាពិសេសចាប់តាំងពីខ្ញុំបានទទួលបញ្ជីអត្ថបទនៅក្នុងទម្រង់ csv រួចហើយ។ អ្វីដែលនៅសេសសល់គឺដើម្បីទាញយកមតិយោបល់ពីអត្ថបទនីមួយៗ ជាសំណាងល្អសម្រាប់ពួកយើង ពួកគេត្រូវបានរក្សាទុកនៅទីនោះ ហើយមិនចាំបាច់មានសំណើបន្ថែមទេ។

ដើម្បីរំលេចមតិយោបល់ពីអត្ថបទ កូដខាងក្រោមគឺគ្រប់គ្រាន់ហើយ៖

r = requests.get("https://habr.com/ru/post/467453/")
data_html = r.text
comments = data_html.split('<div class="comment" id=')

comments_list = []
for comment in comments:
    body = Str(comment).find_between('<div class="comment__message', '<div class="comment__footer"').find_between('>', '</div>')# .replace('n', '-')
    if len(body) < 4: continue

    body = body.translate(str.maketrans(dict.fromkeys("tnrvf")))
    body = body.replace('"', "'").replace(',', " ").replace('<br>', ' ').replace('<p>', '').replace('</p>', '').replace('  ', ' ')

    user = Str(comment).find_between('data-user-login', '>').find_between('"', '"')
    date_str = Str(comment).find_between('<time class="comment__date-time comment__date-time_published', 'time>').find_between('>', '<')
    vote = Str(comment).find_between('<div class="voting-wjt', '</div>').find_between('<span', 'span>').find_between('>', '<')
    date = dateparser.parse(date_str)

    csv_data = "{},{},{},{}".format(user, date, vote, body)
    comments_list.append(csv_data)

វាអនុញ្ញាតឱ្យយើងទទួលបានបញ្ជីមតិយោបល់ដែលមើលទៅដូចនេះ (ឈ្មោះហៅក្រៅត្រូវបានដកចេញសម្រាប់ហេតុផលឯកជនភាព)៖

xxxxxxx,2019-02-06 11:50:00,0,А можно пример как именно?
xxxxxxx-02-24 16:15:00,+1,Побольше читайте независимые официальные источники чтобы таких вопросов не было.
xxxxxxx,2019-02-23 20:15:00,–5,А не важно главное в итоге в плюсе оказаться


ដូចដែលអ្នកអាចឃើញ សម្រាប់មតិយោបល់នីមួយៗ យើងអាចទទួលបានឈ្មោះអ្នកប្រើប្រាស់ កាលបរិច្ឆេទ ការវាយតម្លៃ និងអត្ថបទពិតប្រាកដ។ តោះមើលអ្វីដែលយើងអាចទទួលបានពីនេះ។

ដោយវិធីដំបូង គំនិតនៃការប្រមូលការវាយតម្លៃគឺខុសគ្នាបន្តិចបន្តួច - ដើម្បីមើលថាតើអ្នកប្រើប្រាស់ផ្តល់ចំណាត់ថ្នាក់អ្វីខ្លះ។ ជាឧទាហរណ៍ អ្នកអាចមើល YouTube សូម្បីតែវីដេអូដែលល្អបំផុត សូម្បីតែវីដេអូដែលមិនមានព័ត៌មានជាប្រធានបទណាមួយ សម្រាប់ជាឯកសារយោង ឬការចេញផ្សាយព័ត៌មានក៏ដោយ ក៏នៅតែទទួលបានចំនួន minuses ជាក់លាក់ដែរ។ សម្មតិកម្មគឺថាមានអ្នកប្រើប្រាស់ដែលតាមគ្លីនិកសុទ្ធសាធមិនចូលចិត្តអ្វីទាំងអស់ប្រហែលជា serotonin មិនត្រូវបានផលិតនៅក្នុងខួរក្បាលឬអ្វីផ្សេងទៀត។ ប្រហែលជាមនុស្សម្នាក់លែងត្រូវការអង្គុយលើ Habre ទៀតហើយ ប៉ុន្តែដើម្បីព្យាបាលជំងឺធ្លាក់ទឹកចិត្ត... ប៉ុន្តែដូចដែលវាបានប្រែក្លាយ ខ្ញុំមិនអាចពិនិត្យមើលវានៅទីនេះបានទេ ព្រោះ... បញ្ជី​អ្នក​ដែល​បាន​ផ្តល់​ការ​វាយ​តម្លៃ​មិន​ត្រូវ​បាន​រក្សា​ទុក​ក្នុង​មតិយោបល់ ឬ​អត្ថបទ​ទេ។ មែនហើយ នោះគឺយើងនឹងធ្វើការជាមួយទិន្នន័យដែលមាន។ លទ្ធផលគឺការវាយតម្លៃ "បញ្ច្រាស" - អ្នកអាចឃើញការវាយតម្លៃ _receive_ ដោយអ្នកប្រើប្រាស់។ ដែលជាគោលការណ៍ក៏គួរឱ្យចាប់អារម្មណ៍ផងដែរ។

ដំណើរការ

ដើម្បីចាប់ផ្តើមជាមួយនឹងការបដិសេធជាប្រពៃណី។ ការវាយតម្លៃនេះ ដូចជាការវាយតម្លៃមុនៗទាំងអស់ គឺមិនផ្លូវការទេ។ ខ្ញុំ​មិន​ធានា​ថា​ខ្ញុំ​មិន​បាន​ធ្វើ​ខុស​កន្លែង​ណា​មួយ​ទេ។ សម្រាប់​អ្នក​ដែល​ចាប់​អារម្មណ៍​លើ​ព័ត៌មាន​លម្អិត​ផ្នែក​បច្ចេកទេស កូដ​លម្អិត​បន្ថែម​ត្រូវ​បាន​ផ្តល់​ជូន នៅក្នុងផ្នែកមុន។.

ដូច្នេះសូមចាប់ផ្តើម។ មតិយោបល់សម្រាប់ឆ្នាំនេះ 2019 (ដែលមិនទាន់ចប់) ត្រូវបានគេយកមកធ្វើការវិភាគ។ នៅពេលសរសេរអ្នកប្រើសរសេរ ការអត្ថាធិប្បាយ 448533ទំហំនៃឯកសារ csv គឺ 288 មេកាបៃ. មានឥទ្ធិពល, គួរឱ្យចាប់អារម្មណ៍។

ពេលវេលានៃការសរសេរ

ចូរយើងដាក់មតិជាក្រុមតាមម៉ោង ដោយបែងចែកថ្ងៃធ្វើការ និងចុងសប្តាហ៍ដោយឡែកពីគ្នា។

នៅទីនេះយើងមិនចាប់អារម្មណ៍លើតម្លៃដាច់ខាតទេ ប៉ុន្តែនៅក្នុងតម្លៃដែលទាក់ទង។ ប្រសិនបើអ្នកគ្រាន់តែមើលវា "ដូចដែលវាគឺ" នោះវាប្រែថាоមតិភាគច្រើនត្រូវបានសរសេរក្នុងអំឡុងពេលម៉ោងធ្វើការពីម៉ោង 10 ដល់ 18 😉 ម្យ៉ាងវិញទៀត តំបន់ពេលវេលាមិនត្រូវបានគេយកមកពិចារណានៅទីនេះទេ ដូច្នេះសំណួរនៅតែបើកចំហ។

តោះមើលការចែកចាយមតិពេញមួយឆ្នាំ៖

ហើយនៅតែវាបង្វិល;

ដោយវិធីនេះ មានគំនិតមួយដើម្បីសាកល្បងសម្មតិកម្មថាតើចំនួន minuses ឬ pluses ដែលទទួលបានខុសគ្នាពីថ្ងៃ ឬពេលវេលានៃថ្ងៃ ប៉ុន្តែវាមិនអាចស្វែងរកទំនាក់ទំនងបានទេ - ពេលវេលាដែលផ្តល់ចំណាត់ថ្នាក់មិនត្រូវបានរក្សាទុក ហើយ មិនមានទំនាក់ទំនងដោយផ្ទាល់ជាមួយពេលវេលានៃការបញ្ចេញមតិទេ។

អ្នកប្រើប្រាស់។

ជាការពិតណាស់ ខ្ញុំមិនដឹងចំនួនពិតប្រាកដនៃអ្នកប្រើប្រាស់នៅលើគេហទំព័រនោះទេ។ ប៉ុន្តែ​អ្នក​ដែល​បាន​បញ្ចេញ​មតិ​យ៉ាង​ហោច​ណាស់​មួយ​នៅ​ឆ្នាំ​នេះ​បាន​ប្រែ​ទៅ​ជា​ប្រមាណ មនុស្ស 25000.

ក្រាហ្វនៃចំនួនសារដែលទុកដោយអ្នកប្រើប្រាស់មើលទៅគួរអោយចាប់អារម្មណ៍ណាស់៖

ដំបូង​ឡើយ​ខ្ញុំ​មិន​ជឿ​ទេ ប៉ុន្តែ​ហាក់​ដូច​ជា​គ្មាន​កំហុស​អ្វី​ឡើយ។ 5% នៃអ្នកប្រើប្រាស់ទុក 60% នៃសារ. 10% - 74% នៃសារទាំងអស់ (ដែលខ្ញុំសូមរំលឹកអ្នកនៅឆ្នាំនេះ 450 ពាន់) ។ ភាគច្រើនគ្រាន់តែអានគេហទំព័រ ដោយទុកមតិយោបល់កម្រ ឬមិនទុកវាចោលទាល់តែសោះ (តាមធម្មជាតិ ទាំងនោះមិនត្រូវបានបញ្ចូលក្នុងបញ្ជីរបស់ខ្ញុំទេ)។

ការវាយតម្លៃ

ចូរបន្តទៅផ្នែកចុងក្រោយ និងរីករាយបំផុតនៃស្ថិតិ - ការវាយតម្លៃ។ សម្រាប់ហេតុផលនៃភាពឯកជន ខ្ញុំនឹងមិនផ្តល់ឈ្មោះហៅក្រៅពេញលេញរបស់អ្នកប្រើប្រាស់នោះទេ អ្នកណាដែលចង់ ខ្ញុំគិតថានឹងទទួលស្គាល់ខ្លួនឯង។

តាម ចំនួននៃមតិយោបល់ សម្រាប់ឆ្នាំនេះ កំពូលទាំង 5 ត្រូវបានកាន់កាប់ដោយ VoXXXX (3377 មតិ), 0xdXXXXX (3286 មតិ), strXXXX (3043 មតិ), AmXXXX (2897 មតិ) និង khXXXX (2748 មតិយោបល់) ។

តាម ចំនួនអត្ថប្រយោជន៍ដែលទទួលបានកំពូល 5 ត្រូវបានកាន់កាប់ដោយ amXXXX (1395 យោបល់, ការវាយតម្លៃ +3231/-309), tvXXXX (1544 មតិ, ការវាយតម្លៃ +3231/-97), WhuXXXX (921 មតិ, ការវាយតម្លៃ +2288/-13), MTXXXX (1328 មតិ, +1383/-7) និង amaXXXX (736 មតិ វាយតម្លៃ +1340/-16)។

តាម ការវាយតម្លៃវិជ្ជមានដាច់ខាត (គ្មាន​នរណា​ម្នាក់ មតិវាយតម្លៃអវិជ្ជមាន) កំពូលនៃកំពូលត្រូវបានកាន់កាប់ដោយ មីលហ្គាដ и Boomburum. ជាករណីលើកលែង ខ្ញុំបង្ហាញឈ្មោះហៅក្រៅរបស់ពួកគេយ៉ាងពេញលេញ ខ្ញុំគិតថាពួកគេសមនឹងទទួលបានវា។

គុណវិបត្តិក៏គួរឱ្យចាប់អារម្មណ៍ផងដែរ។ កំពូលដោយ ចំនួន minuses ដែលប្រមូលបាន។ សម្រាប់ឆ្នាំនេះ ពួកគេត្រូវបានកាន់កាប់ដោយ siXX (473 pluses, 699 minuses), khXX (1915 pluses, 573 minuses) និង nicXXXXX (456 pluses, 487 minuses)។ ប៉ុន្តែដូចដែលអ្នកបានឃើញ អ្នកប្រើប្រាស់ទាំងនេះមានមតិវិជ្ជមានគ្រប់គ្រាន់។ ប៉ុន្តែយោងទៅតាម ដកដាច់ខាត អង់ទីកររួមមាន vladXXXX (មតិ 55, 84 minuses, 0 pluses), ekoXXXX (77 comments, 92 minuses, 1 plus) និង iMXXXX (225 comments, 205 minuses, 12 pluses)។

សេចក្តីសន្និដ្ឋាន

ខ្ញុំមិនអាចគណនាអ្វីគ្រប់យ៉ាងដែលបានគ្រោងទុកនោះទេ ប៉ុន្តែខ្ញុំសង្ឃឹមថាវាគួរឱ្យចាប់អារម្មណ៍។

ដូចដែលអ្នកអាចមើលឃើញ សូម្បីតែសំណុំទិន្នន័យដែលមានវាលមួយចំនួនតូចអាចផ្តល់ទិន្នន័យគួរឱ្យចាប់អារម្មណ៍សម្រាប់ការវិភាគ។ នៅ​មាន​អ្វី​ជា​ច្រើន​ទៀត​ដែល​ត្រូវ​ជីក​កកាយ​ពី​ការ​បង្កើត "ពពក​ពាក្យ" ទៅ​ការ​វិភាគ​អត្ថបទ។ ប្រសិនបើលទ្ធផលគួរឱ្យចាប់អារម្មណ៍ណាមួយលេចឡើងពួកគេនឹងបោះពុម្ពផ្សាយ។

ប្រភព: www.habr.com