主持人 > 博客 > 網絡新聞 > Habrastatistics：探索網站訪問量最大和最少的部分

Habrastatistics：探索網站訪問量最大和最少的部分

嘿哈布爾。

В 前一部分 Habr 的流量是根據主要參數（文章數量、瀏覽量和評分）進行分析的。 然而，網站部分的受歡迎程度問題仍未被檢驗。 更詳細地研究這個問題並找到最受歡迎和最不受歡迎的中心變得有趣。 最後，我將更詳細地了解極客時代效應，最後根據新排名重新選擇最佳文章。

Habrastatistics：探索網站訪問量最大和最少的部分

對於那些對發生的事情感興趣的人來說，續集已被削減。

讓我再次提醒您，統計數據和評級不是官方的，我沒有任何內幕消息。 也不能保證我沒有在某個地方犯錯或遺漏什麼。 但我仍然認為這很有趣。 我們先從程式碼開始；對此不感興趣的人可以跳過第一部分。

資料收集

在解析器的第一個版本中，僅考慮視圖、評論和文章評分的數量。 這已經很好了，但是它不允許您進行更複雜的查詢。 是時候分析網站的主題部分了；這將使您能夠進行非常有趣的研究，例如，了解「C++」部分的受歡迎程度在過去幾年中發生了怎樣的變化。

文章解析器得到了改進，現在它回到文章所屬的中心，以及作者的暱稱和他的評分（這裡也可以做很多有趣的事情，但這將在稍後進行）。 資料保存在 csv 檔案中，如下所示：

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
...

我們將收到該網站主要主題中心的清單。

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)

find_ Between 函數和 Str 類別選擇兩個標籤之間的字串，我使用了它們 前。 主題中心標有“*”，因此可以輕鬆突出顯示它們，您也可以取消註釋相應的行以獲取其他類別的部分。

get_hubs 函數的輸出是一個相當令人印象深刻的列表，我們將其儲存為字典。 我專門完整地展示了該列表，以便您可以估計其數量。 

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'}

相較之下，極客時代部分看起來更樸素：

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'}

其餘的樞紐也以同樣的方式保存。 現在很容易編寫一個函數來傳回結果，無論該文章屬於 geektimes 還是個人資料中心。

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

其他部分（「開發」、「管理」等）也有類似的功能。

處理

是時候開始分析了。 我們載入資料集並處理中心資料。

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)

現在我們可以按天對資料進行分組，並顯示不同中心的出版數量。

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()

我們使用 Matplotlib 顯示已發表文章的數量：

Habrastatistics：探索網站訪問量最大和最少的部分

我在圖表中將文章“geektimes”和“geektimes only”分開，因為一篇文章可以同時屬於兩個部分（例如，「DIY」+「微控制器」+「C++」）。 我使用“個人資料”這個名稱來突出顯示網站上的個人資料文章，儘管英語術語“個人資料”可能並不完全正確。

在上一部分中，我們詢問了與今年夏天開始的極客時代文章付費規則變化相關的「極客時代效應」。 我們分別展示一下極客時代的文章：

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()

結果很有趣。 極客時代文章的瀏覽量與總瀏覽量的比例大約在 1:5 左右。 不過，雖然總瀏覽量波動較大，但「娛樂」類文章的瀏覽量基本上保持在同一水平。

Habrastatistics：探索網站訪問量最大和最少的部分

您還可以注意到，“極客時代”版塊的文章總瀏覽量在更改規則後仍然有所下降，但“肉眼可見”，下降幅度不超過總值的 5%。

查看每篇文章的平均瀏覽量很有趣：

Habrastatistics：探索網站訪問量最大和最少的部分

對於「娛樂」文章，該比例比平均高出 40% 左右。 這可能並不奇怪。 四月初的失敗對我來說並不清楚，也許這就是發生的事情，或者是某種解析錯誤，或者可能是極客時代的一位作者去度假了;)。

順便說一下，該圖顯示了文章瀏覽量的兩個更明顯的峰值——新年和五一假期。

集線器

讓我們繼續進行承諾的集線器分析。 讓我們按觀看次數列出前 20 個中心：

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()

其結果是：

Habrastatistics：探索網站訪問量最大和最少的部分

令人驚訝的是，最受歡迎的主題是「資訊安全」；前五的還包括「程式設計」和「科普」。

Antitop佔據了Gtk和Cocoa。

Habrastatistics：探索網站訪問量最大和最少的部分

告訴你一個秘密，頂級輪圈也能看到 這裡，儘管那裡沒有顯示觀看次數。

等級

最後是承諾的評級。 使用中心分析數據，我們可以顯示 2019 年最受歡迎的中心的最受歡迎文章。

信息安全

程序設計

科普

事業

資訊科技立法

Web開發

GTK

最後，為了不冒犯任何人，我將給出訪問量最少的中心“gtk”的評級。 一年之內就出版了 一 這篇文章也「自動」佔據了評分的第一行。

結論

不會有任何結論。 大家閱讀愉快。

來源： www.habr.com

添加評論