مرحبا يا هبر.
في
الجزء السابق ، تم تحليل حضور هبر من خلال المعايير الرئيسية - عدد المقالات وآرائهم ودرجات التقييم. ومع ذلك ، لم يتم النظر في مسألة شعبية أقسام الموقع. أصبح من المثير للاهتمام دراسة هذا بمزيد من التفصيل ، والعثور على المحاور الأكثر شعبية والأكثر شعبية. أخيرًا ، سأدرس "تأثير geektimes" بمزيد من التفصيل ، وفي النهاية ، سيتلقى القراء مجموعة جديدة من أفضل المقالات حول التصنيفات الجديدة.
من يهتم بما حدث ، تابع تحت الخفض.
أذكرك مرة أخرى أن الإحصاءات والتقييمات ليست رسمية ، وليس لدي أي معلومات داخلية. كما أنه ليس مضمونًا أنني لم أكن مخطئًا في مكان ما أو لم يفوتني شيء. ولكن لا يزال ، وأعتقد أنه تبين للاهتمام. سنبدأ بالرمز أولاً ، والذي لا صلة له بهذا ، قد يتم تخطي الأقسام الأولى.
جمع البيانات
في الإصدار الأول من المحلل اللغوي ، تم أخذ عدد المشاهدات والتعليقات وتقييم المقالات فقط في الاعتبار. هذا جيد بالفعل ، لكنه لا يسمح لك بإجراء استعلامات أكثر تعقيدًا. لقد حان الوقت لتحليل الأقسام المواضيعية في الموقع ، سيتيح لنا ذلك إجراء دراسات مثيرة للاهتمام ، على سبيل المثال ، لمعرفة كيف تغيرت شعبية قسم "C ++" على مدار عدة سنوات.
تم تحسين محلل المقالة ، حيث يعرض الآن المحاور التي ينتمي إليها المقال ، بالإضافة إلى لقب المؤلف وتقييمه (هنا يمكنك أيضًا القيام بالكثير من الأشياء المثيرة للاهتمام ، ولكن هذا لاحقًا). يتم حفظ البيانات في ملف CSV من النوع التالي تقريبًا:
2018-12-18T12:43Z,https://habr.com/ru/post/433550/," Slack — , , ",votes:7,votesplus:8,votesmin:1,bookmarks:32, views:8300,comments:10,user:ReDisque,karma:5,subscribers:2,hubs:productpm+soft ...
الحصول على قائمة بالمحاور المواضيعية الرئيسية للموقع.
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)
تسليط الضوء على وظيفة find_between وفئة Str خطًا بين علامتين ، وكنت أستخدمهما
سابقًا . تم تمييز لوحات الوصل المواضيعية بعلامة "*" ، وبالتالي يسهل تمييزها ، يمكنك أيضًا إلغاء ربط الخطوط المقابلة للحصول على أقسام من الفئات الأخرى.
عند إخراج دالة get_hubs ، نحصل على قائمة مثيرة للإعجاب إلى حد ما ، والتي نحفظها كقاموس. أستشهد بشكل خاص بالقائمة بأكملها بحيث يمكن تقدير حجمها.
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'}
للمقارنة ، تبدو أقسام geektimes أكثر تواضعا:
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'}
وبالمثل ، تم حفظ لوحات الوصل المتبقية. أصبح من السهل الآن كتابة دالة تُرجع النتيجة ، تشير المقالة إلى geektimes أو إلى مركز ملف التعريف.
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
تم إجراء وظائف مماثلة للأقسام الأخرى ("التطوير" ، "الإدارة" ، إلخ).
تحويل
حان الوقت لبدء التحليل. قم بتنزيل مجموعة البيانات ومعالجة البيانات من لوحات الوصل.
def to_list(s: str) -> List[str]:
يمكننا الآن تجميع البيانات حسب اليوم وعرض عدد المنشورات حسب مراكز مختلفة.
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()
عرض عدد المقالات المنشورة باستخدام Matplotlib:
قسمت المقالات "geektimes" و "geektimes فقط" في الرسم البياني ، لأنه يمكن أن تنتمي مقالة إلى كلا القسمين في وقت واحد (على سبيل المثال ، "DIY" + "ميكروكنترولر" + "C ++"). مع تحديد "الملف الشخصي" ، سلطت الضوء على مقالات الملف الشخصي للموقع ، على الرغم من أنه من الممكن أن ملف تعريف المصطلح الإنجليزي غير صحيح تمامًا لهذا الغرض.
في الجزء السابق ، سألنا عن "تأثير geektimes" المرتبط بالتغيير في قواعد دفع المقالات عن geektimes من هذا الصيف. نشتق مقالات geektimes منفصلة:
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()
النتيجة مثيرة للاهتمام. النسبة التقريبية لعدد مرات مشاهدة مقالات geektimes إلى الإجمالي في مكان ما حوالي 1: 5. ولكن إذا كان إجمالي عدد مرات المشاهدة يتقلب بشكل ملحوظ ، فسيظل عرض المقالات "المسلية" على نفس المستوى تقريبًا.
يمكنك أيضًا ملاحظة أن إجمالي عدد مرات مشاهدة المقالات في قسم "geektimes" بعد تغيير القواعد لا يزال يسقط ، ولكن "بالعين" ، لا يزيد عن 5٪ من إجمالي القيم.
من المثير للاهتمام معرفة متوسط عدد مرات المشاهدة لكل مقالة:
بالنسبة للمقالات "الترفيهية" ، فهي أعلى بنسبة 40٪ تقريبًا من المتوسط. ربما هذا ليس مستغربا. الفشل في بداية شهر أبريل ليس واضحًا بالنسبة لي ، ربما كان الأمر كذلك ، أم أنه كان نوعًا من الخطأ في التحليل ، أو ربما ذهب أحد المؤلفين geektimes في إجازة ؛).
بالمناسبة ، يوجد على الرسم البياني قمتان أخريان ملحوظتان في عدد مرات مشاهدة المقالات - إجازات رأس السنة وعطلة مايو.
المحاور
دعنا ننتقل إلى التحليل الموعود للمراكز. سنقوم بعرض أفضل 20 مركزًا حسب عدد مرات المشاهدة:
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))
النتيجة:
من المثير للدهشة أن مركز "أمن المعلومات" أصبح الأكثر شعبية من حيث المشاهدة ، كما أن "البرمجة" و "العلوم الشعبية" من بين أفضل 5 قادة.
Antitope يأخذ Gtk والكاكاو.
سأخبرك سراً ، يمكن أيضًا رؤية المراكز الرئيسية
هنا ، على الرغم من عدم عرض عدد مرات المشاهدة هناك.
تصنيف
وأخيرا ، التقييم الموعود. باستخدام بيانات من تحليل لوحات الوصل ، يمكننا عرض المقالات الأكثر شعبية على لوحات الوصل الأكثر شعبية لهذا العام 2019.
أمن المعلوماتبرمجةالعلم الشعبيمهنةالتشريعات في تكنولوجيا المعلوماتتطوير الويبGTKوأخيرًا ، حتى لا تسيء إلى أي شخص ، سأعطيك تقييمًا للمركز الأقل زيارة "gtk". في ذلك ، تم نشر مقال
واحد على مدار العام ، كما يشغل "تلقائيًا" السطر الأول من التصنيف.
استنتاج
لن يكون هناك خاتمة. استمتع بالقراءة للجميع.