ProHoster > Блог > rongo ipurangi > Habrastatistics: te tirotiro i nga waahanga kua tino torohia me te iti rawa o te waahi

Habrastatistics: te tirotiro i nga waahanga kua tino torohia me te iti rawa o te waahi

Kia ora, Habr.

В wahanga o mua I tātarihia nga waka a Habr i runga i nga waahanga matua - te maha o nga tuhinga, o raatau tirohanga me o raatau whakatau. Engari, ko te take o te rongonui o nga waahanga o te waahi kaore i tirohia. I tino pai ki te titiro ki tenei i roto i nga taipitopito me te kimi i nga tari tino rongonui me te kore tino rongonui. Ka mutu, ka tirohia e au nga ahuatanga o te geektimes i roto i nga korero taipitopito, ka mutu me te kowhiringa hou o nga tuhinga tino pai e pa ana ki nga tohu hou.

Habrastatistics: te tirotiro i nga waahanga kua tino torohia me te iti rawa o te waahi

Mo te hunga e aro ana ki nga mea i tupu, kei raro i te tapahi te haere tonu.

Me whakamahara ano ahau ki a koe ko nga tatauranga me nga reiti kaore i te mana, karekau he korero a roto. Kare ano hoki i te taurangi kaore au i pohehe i tetahi waahi, i ngaro ranei tetahi mea. Engari tonu, ki taku whakaaro i puta he mea whakamere. Ka timata tatou me te waehere i te tuatahi;

Te kohinga raraunga

I te putanga tuatahi o te parser, ko te maha o nga tirohanga, nga korero me nga whakatauranga tuhinga i whakaarohia. He pai kee tenei, engari kaore e taea e koe te hanga patai uaua ake. Kua tae ki te waa ki te tātari i nga waahanga kaupapa o te waahi ka taea e koe te mahi rangahau tino pai, hei tauira, tirohia te ahua o te rongonui o te waahanga "C ++" i roto i nga tau maha.

Kua pai ake te parser tuhinga, inaianei ka whakahokia mai nga tari no reira te tuhinga, tae atu ki te ingoa ingoa o te kaituhi me tana whakatauranga (he maha nga mea whakamere ka taea te mahi i konei, engari ka tae mai i muri mai). Ka tiakina nga raraunga ki te konae csv penei te ahua:

2018-12-18T12:43Z,https://habr.com/ru/post/433550/,"Мессенджер Slack — причины выбора, косяки при внедрении и особенности сервиса, облегчающие жизнь",votes:7,votesplus:8,votesmin:1,bookmarks:32,
views:8300,comments:10,user:ReDisque,karma:5,subscribers:2,hubs:productpm+soft
...

Ka whiwhi matou i te rarangi o nga tari kaupapa matua o te waahi.

def get_as_str(link: str) -> Str:
    try:
        r = requests.get(link)
        return Str(r.text)
    except Exception as e:
        return Str("")

def get_hubs():
    hubs = []
    for p in range(1, 12):
        page_html = get_as_str("https://habr.com/ru/hubs/page%d/" % p)
        # page_html = get_as_str("https://habr.com/ru/hubs/geektimes/page%d/" % p)  # Geektimes
        # page_html = get_as_str("https://habr.com/ru/hubs/develop/page%d/" % p)  # Develop
        # page_html = get_as_str("https://habr.com/ru/hubs/admin/page%d" % p)  # Admin
        for hub in page_html.split("media-obj media-obj_hub"):
            info = Str(hub).find_between('"https://habr.com/ru/hub', 'list-snippet__tags') 
            if "*</span>" in info:
                hub_name = info.find_between('/', '/"')
                if len(hub_name) > 0 and len(hub_name) < 32:
                    hubs.append(hub_name)
    print(hubs)

Ko te mahi find_between me te akomanga Str ka tohua he aho i waenga i nga tohu e rua, i whakamahia e au Tuhinga o mua. Ko nga tari kaupapa kua tohua ki te "*" kia ngawari te tohu, ka taea hoki e koe te whakakore i nga rarangi e rite ana ki te tiki waahanga o etahi atu waahanga.

Ko te putanga o te mahi get_hubs he rarangi tino whakamiharo, ka tiakina e matou hei papakupu. Kei te whakaatu ake ahau i te rarangi katoa kia taea ai e koe te whakatau tata i tona rahinga. 

hubs_profile = {'infosecurity', 'programming', 'webdev', 'python', 'sys_admin', 'it-infrastructure', 'devops', 'javascript', 'open_source', 'network_technologies', 'gamedev', 'cpp', 'machine_learning', 'pm', 'hr_management', 'linux', 'analysis_design', 'ui', 'net', 'hi', 'maths', 'mobile_dev', 'productpm', 'win_dev', 'it_testing', 'dev_management', 'algorithms', 'go', 'php', 'csharp', 'nix', 'data_visualization', 'web_testing', 's_admin', 'crazydev', 'data_mining', 'bigdata', 'c', 'java', 'usability', 'instant_messaging', 'gtd', 'system_programming', 'ios_dev', 'oop', 'nginx', 'kubernetes', 'sql', '3d_graphics', 'css', 'geo', 'image_processing', 'controllers', 'game_design', 'html5', 'community_management', 'electronics', 'android_dev', 'crypto', 'netdev', 'cisconetworks', 'db_admins', 'funcprog', 'wireless', 'dwh', 'linux_dev', 'assembler', 'reactjs', 'sales', 'microservices', 'search_technologies', 'compilers', 'virtualization', 'client_side_optimization', 'distributed_systems', 'api', 'media_management', 'complete_code', 'typescript', 'postgresql', 'rust', 'agile', 'refactoring', 'parallel_programming', 'mssql', 'game_promotion', 'robo_dev', 'reverse-engineering', 'web_analytics', 'unity', 'symfony', 'build_automation', 'swift', 'raspberrypi', 'web_design', 'kotlin', 'debug', 'pay_system', 'apps_design', 'git', 'shells', 'laravel', 'mobile_testing', 'openstreetmap', 'lua', 'vs', 'yii', 'sport_programming', 'service_desk', 'itstandarts', 'nodejs', 'data_warehouse', 'ctf', 'erp', 'video', 'mobileanalytics', 'ipv6', 'virus', 'crm', 'backup', 'mesh_networking', 'cad_cam', 'patents', 'cloud_computing', 'growthhacking', 'iot_dev', 'server_side_optimization', 'latex', 'natural_language_processing', 'scala', 'unreal_engine', 'mongodb', 'delphi',  'industrial_control_system', 'r', 'fpga', 'oracle', 'arduino', 'magento', 'ruby', 'nosql', 'flutter', 'xml', 'apache', 'sveltejs', 'devmail', 'ecommerce_development', 'opendata', 'Hadoop', 'yandex_api', 'game_monetization', 'ror', 'graph_design', 'scada', 'mobile_monetization', 'sqlite', 'accessibility', 'saas', 'helpdesk', 'matlab', 'julia', 'aws', 'data_recovery', 'erlang', 'angular', 'osx_dev', 'dns', 'dart', 'vector_graphics', 'asp', 'domains', 'cvs', 'asterisk', 'iis', 'it_monetization', 'localization', 'objectivec', 'IPFS', 'jquery', 'lisp', 'arvrdev', 'powershell', 'd', 'conversion', 'animation', 'webgl', 'wordpress', 'elm', 'qt_software', 'google_api', 'groovy_grails', 'Sailfish_dev', 'Atlassian', 'desktop_environment', 'game_testing', 'mysql', 'ecm', 'cms', 'Xamarin', 'haskell', 'prototyping', 'sw', 'django', 'gradle', 'billing', 'tdd', 'openshift', 'canvas', 'map_api', 'vuejs', 'data_compression', 'tizen_dev', 'iptv', 'mono', 'labview', 'perl', 'AJAX', 'ms_access', 'gpgpu', 'infolust', 'microformats', 'facebook_api', 'vba', 'twitter_api', 'twisted', 'phalcon', 'joomla', 'action_script', 'flex', 'gtk', 'meteorjs', 'iconoskaz', 'cobol', 'cocoa', 'fortran', 'uml', 'codeigniter', 'prolog', 'mercurial', 'drupal', 'wp_dev', 'smallbasic', 'webassembly', 'cubrid', 'fido', 'bada_dev', 'cgi', 'extjs', 'zend_framework', 'typography', 'UEFI', 'geo_systems', 'vim', 'creative_commons', 'modx', 'derbyjs', 'xcode', 'greasemonkey', 'i2p', 'flash_platform', 'coffeescript', 'fsharp', 'clojure', 'puppet', 'forth', 'processing_lang', 'firebird', 'javame_dev', 'cakephp', 'google_cloud_vision_api', 'kohanaphp', 'elixirphoenix', 'eclipse', 'xslt', 'smalltalk', 'googlecloud', 'gae', 'mootools', 'emacs', 'flask', 'gwt', 'web_monetization', 'circuit-design', 'office365dev', 'haxe', 'doctrine', 'typo3', 'regex', 'solidity', 'brainfuck', 'sphinx', 'san', 'vk_api', 'ecommerce'}

Hei whakataurite, he ahua ngawari ake nga waahanga geektimes:

hubs_gt = {'popular_science', 'history', 'soft', 'lifehacks', 'health', 'finance', 'artificial_intelligence', 'itcompanies', 'DIY', 'energy', 'transport', 'gadgets', 'social_networks', 'space', 'futurenow', 'it_bigraphy', 'antikvariat', 'games', 'hardware', 'learning_languages', 'urban', 'brain', 'internet_of_things', 'easyelectronics', 'cellular', 'physics', 'cryptocurrency', 'interviews', 'biotech', 'network_hardware', 'autogadgets', 'lasers', 'sound', 'home_automation', 'smartphones', 'statistics', 'robot', 'cpu', 'video_tech', 'Ecology', 'presentation', 'desktops', 'wearable_electronics', 'quantum', 'notebooks', 'cyberpunk', 'Peripheral', 'demoscene', 'copyright', 'astronomy', 'arvr', 'medgadgets', '3d-printers', 'Chemistry', 'storages', 'sci-fi', 'logic_games', 'office', 'tablets', 'displays', 'video_conferencing', 'videocards', 'photo', 'multicopters', 'supercomputers', 'telemedicine', 'cybersport', 'nano', 'crowdsourcing', 'infographics'}

Ko te toenga o nga tari ka tiakina i roto i te huarahi ano. Inaianei he ngawari ki te tuhi i tetahi mahi e whakahoki mai ana i te hua ahakoa no te geektimes te tuhinga, ki te tari korero ranei.

def is_geektimes(hubs: List) -> bool:
    return len(set(hubs) & hubs_gt) > 0

def is_geektimes_only(hubs: List) -> bool:
    return is_geektimes(hubs) is True and is_profile(hubs) is False

def is_profile(hubs: List) -> bool:
    return len(set(hubs) & hubs_profile) > 0

He rite nga mahi i mahia mo etahi atu waahanga ("whakawhanaketanga", "whakahaere", me etahi atu).

Te tukatuka

Kua tae ki te wa ki te timata ki te tātari. Ka utaina e matou te huinga raraunga me te tukatuka i nga raraunga hub.

def to_list(s: str) -> List[str]:
    # "user:popular_science+astronomy" => [popular_science, astronomy]
    return s.split(':')[1].split('+')

def to_date(dt: datetime) -> datetime.date:
    return dt.date()

df = pd.read_csv("habr_2019.csv", sep=',', encoding='utf-8', error_bad_lines=True, quotechar='"', comment='#')
dates = pd.to_datetime(df['datetime'], format='%Y-%m-%dT%H:%MZ')
dates += datetime.timedelta(hours=3)
df['date'] = dates.map(to_date, na_action=None)
hubs = df["hubs"].map(to_list, na_action=None)
df['hubs'] = hubs
df['is_profile'] = hubs.map(is_profile, na_action=None)
df['is_geektimes'] = hubs.map(is_geektimes, na_action=None)
df['is_geektimes_only'] = hubs.map(is_geektimes_only, na_action=None)
df['is_admin'] = hubs.map(is_admin, na_action=None)
df['is_develop'] = hubs.map(is_develop, na_action=None)

Inaianei ka taea te whakarōpū i nga raraunga i ia ra me te whakaatu i te maha o nga whakaputanga mo nga tari rereke.

g = df.groupby(['date'])
days_count = g.size().reset_index(name='counts')
year_days = days_count['date'].values
grouped = g.sum().reset_index()
profile_per_day_avg = grouped['is_profile'].rolling(window=20, min_periods=1).mean()
geektimes_per_day_avg = grouped['is_geektimes'].rolling(window=20, min_periods=1).mean()
geektimesonly_per_day_avg = grouped['is_geektimes_only'].rolling(window=20, min_periods=1).mean()
admin_per_day_avg = grouped['is_admin'].rolling(window=20, min_periods=1).mean()
develop_per_day_avg = grouped['is_develop'].rolling(window=20, min_periods=1).mean()

Ka whakaatuhia e matou te maha o nga tuhinga kua whakaputaina ma te whakamahi i te Matplotlib:

Habrastatistics: te tirotiro i nga waahanga kua tino torohia me te iti rawa o te waahi

I wehewehea e ahau nga tuhinga "geektimes" me "geektimes anake" i roto i te tūtohi, na te mea Ko te tuhinga ka uru ki nga waahanga e rua i te wa kotahi (hei tauira, "DIY" + "microcontrollers" + "C++"). I whakamahia e ahau te tohu "kōtaha" ki te whakanui i nga tuhinga korero i runga i te pae, ahakoa pea kaore i te tino tika te korero a te kupu Ingarihi mo tenei.

I te wahanga o mua i patai matou mo te "geektimes effect" e pa ana ki te whakarereketanga o nga ture utu mo nga tuhinga mo nga wa geektimes ka timata i tenei raumati. Me whakaatu wehe nga tuhinga geektimes:

df_gt = df[(df['is_geektimes_only'] == True)]
group_gt = df_gt.groupby(['date'])
days_count_gt = group_gt.size().reset_index(name='counts')
grouped = group_gt.sum().reset_index()
year_days_gt = days_count_gt['date'].values
view_gt_per_day_avg = grouped['views'].rolling(window=20, min_periods=1).mean()

He whakamere te hua. Ko te ōwehenga tata o nga tirohanga o nga tuhinga geektimes ki te katoa kei te tata ki te 1:5. Engari ahakoa he rerekee te maha o nga tirohanga, ko te maataki i nga tuhinga "whakangahau" i noho tonu ki te taumata kotahi.

Habrastatistics: te tirotiro i nga waahanga kua tino torohia me te iti rawa o te waahi

Ka taea hoki e koe te kite ko te tapeke o nga tirohanga o nga tuhinga i roto i te waahanga "geektimes" i hinga tonu i muri i te whakarereketanga o nga ture, engari "ma te kanohi", kaua e neke atu i te 5% o nga uara katoa.

He rawe ki te titiro ki te tau toharite o nga tirohanga mo ia tuhinga:

Habrastatistics: te tirotiro i nga waahanga kua tino torohia me te iti rawa o te waahi

Mo nga tuhinga "whakangahau" he 40% kei runga ake i te toharite. Kaore pea tenei i te miharo. Ko te korenga i te timatanga o Paenga-whawha kaore i te maarama ki ahau, tera pea te mea i pa, he momo hapa paahi ranei, tera pea tetahi o nga kaituhi geektimes i haere ki te hararei;).

Ma te ara, e whakaatu ana te kauwhata e rua ake nga tihi ka kitea i roto i te maha o nga tirohanga o nga tuhinga - te Tau Hou me nga hararei o Mei.

Nga tari

Ka anga whakamua ki te wetewete i oatihia mo nga tari. Me whakarārangihia nga tari 20 o runga ma te maha o nga tirohanga:

hubs_info = []
for hub_name in hubs_all:
    mask = df['hubs'].apply(lambda x: hub_name in x)
    df_hub = df[mask]

    count, views = df_hub.shape[0], df_hub['views'].sum()
    hubs_info.append((hub_name, count, views))

# Draw hubs
hubs_top = sorted(hubs_info, key=lambda v: v[2], reverse=True)[:20]
top_views = list(map(lambda x: x[2], hubs_top))
top_names = list(map(lambda x: x[0], hubs_top))

plt.rcParams["figure.figsize"] = (8, 6)
plt.bar(range(0, len(top_views)), top_views)
plt.xticks(range(0, len(top_names)), top_names, rotation=90)
plt.ticklabel_format(style='plain', axis='y')
plt.tight_layout()
plt.show()

Hua:

Habrastatistics: te tirotiro i nga waahanga kua tino torohia me te iti rawa o te waahi

Ko te mea whakamiharo, ko te tari tino rongonui i runga i nga tirohanga ko te "Haumarutanga Nga korero" ko nga rangatira o runga 5 ko te "Patonotanga" me te "Popular Science".

Ka noho a Antitop ki a Gtk me Cocoa.

Habrastatistics: te tirotiro i nga waahanga kua tino torohia me te iti rawa o te waahi

He mea ngaro taku korero ki a koe, ka kitea ano nga tari o runga konei, ahakoa kaore i te whakaatuhia te maha o nga tirohanga ki reira.

Whakatauranga

Ka mutu, ko te whakatauranga i oatihia. Ma te whakamahi i nga raraunga tātaritanga hub, ka taea e matou te whakaatu i nga tuhinga rongonui mo nga tari rongonui mo tenei tau 2019.

Haumarutanga korero

Papatono

Pūtaiao rongonui

Mahi

Ture i roto i te IT

Te whanaketanga paetukutuku

GTK

Ka mutu, kia kore ai e hara tetahi, ka hoatu e ahau te whakatauranga o te tari iti rawa i tae atu ki a "gtk". I roto i te tau ka whakaputaina одна te tuhinga, "aunoa" hoki kei te rarangi tuatahi o te whakatauranga.

mutunga

Kare he whakatau. Kia hari ki te panui katoa.

Source: will.com

Tāpiri i te kōrero