关于背单词软件,你不知道的惊人真相

0x00 前言

  • 你想知道背单词软件有大概多少人注册第一天都没有背完嘛?
  • 你想知道背单词软件这么火,这么多人在使用,真的有多少人真的在背诵嘛?

别急,Python 程序员用数据给你说话。

文章目录如下:

  • 0x00 前言
  • 0x01 问题的提出和任务的分解
  • 0x02 任务一,信息爬取
  • ox03 任务二,清理和存储
  • 0x04 任务三,分析
  • 0x05 任务四,结论
  • 0x06 整个流程的不足和反思。
  • 0x07 代码。

0x01 问题的提出和任务的分解

前两天,就在一个雷电交加的夜晚,我躺在床上,草草的看了一篇英文文章,突然想到一个非常有意思的问题:

是不是大部分的人做事真的不能坚持呢?比如,背单词。

好,那我就看看到底有多少人是坚持不下来的?

那么,我们的问题就变成了这样子:

  • 有多少人是在坚持或者曾经坚持过背单词呢?(假设 100 天以上算的上是背单词的话)
  • 有多少梦想,毁于不能坚持?
  • 背单词的人们学习的量,是不是符合正太分布呢?

于是我选中了业内的标杆扇贝软件作为分析的对象。抽取其中的大约 1/30 的用户的公开数据,也就是游客用户都可以看得到的数据,进行抽样调查。

调查的具体内容如下:

  • 打卡最高 / 成长值最高 / 学习单词数量最高
  • 平均每个人打卡次数 / 成长值 / 学习单词数量
  • 打卡 / 成长值 / 学习单词数量的分布(也就是已经坚持了多少天了)

那么,我的任务也就可以分解如下:

  • 爬取数据
    • 使用 Python2 的 Scrapy 进行爬站
  • 清理数据
    • sql 语句和 pandas 运算
  • 分析数据
    • pandas + seaborn + ipython book
  • 得出结论

0x02 任务一,信息爬取,清理和存储

每个用户的信息都在这里:

http://www.shanbay.com/bdc/review/progress/2

使用 beautifulsoup4 进行解析即可。其他部分参考代码。

扇贝的工程师反爬虫做的还不错,主要有两点:

  • 访问数量超标,封禁 IP 半个小时。对应的方法就是代理服务器.(代码中已经删除代理服务器,所以,如果你运行不了代码,那你应该知道怎么做了.)
  • cookie 如果不禁用很快就无法爬取。对应的方法就是禁用 Cookie.

0x03 任务二,清理和存储

对于数据库,使用 Postgresql 存储就好了。也没有什么大问题。参考代码。有问题在评论下面问。

通常情况下在存入数据库的时候需要进行数据的净化,不处理也没有什么大问题。

0x04 任务三,分析

分析阶段,使用 IPython notebook. 通常情况下,我们使用的是 Anaconda 里面的 Python3 版本 . 可以到这里下载,注意,mac 和 ubuntu 下载的是命令行版本。

https://www.continuum.io/downloads

安装完毕以后,重启终端。环境变量生效。

1
2
#直接安装 seaborn
pip install seaborn

切换到指定目录然后敲入命令 ipython notebook 打开浏览器进行编辑。

至于怎么使用,请看代码。

0x05 任务三,结论

在这里省去部分的分析过程直接贴出结论。

总共抓取 1111111 张网页,成功获取 610888 个用户的信息。

于是得出结论如下:

扇贝之最:

  • 最高打卡天数:chainyu 1830 天
  • 最高成长值:Lerystal 成长值 28767
  • 最高单词数量:chenmaoboss 单词量 38313

平均到每一个人身上

  • 平均每人打卡天数:14.18, 而超过成长平均值的人数为 71342, 占总抽样人数的,额,11.69%
  • 平均成长值:121.79, 而超过平均成长的人数为 13351, 占总抽样人数的,额,11.42%
  • 平均学习单词数量:78.92, 而背超过平均单词的人数为 13351, 占总抽样人数的,额,2.19%(注意,真的是 2% 左右)

那么,我们来看看打卡,成长值,单词数量的,分布吧.

第一个,所有人的打卡数量直方图。

这是所有人的打卡数量直方图

简直惨不忍睹。

第二个,非零用户的打卡数量直方图。

非零用户的打卡数量的直方图

这真是一段悲伤的故事。由于坚持不了几天的用户实在是太多,简直就是反比例函数嘛,导致图像严重畸形。那么,我们只能分段了看用户打卡天数在 0~20,20~100,100~500,500~2000 范围的分布图了。

分别如下:

0~20

20~100

100~500

500~2000

其他成长值的各种分布也是如此,在此就不贴出来了。

正如你所看到的,我再来总结一下,

在抽样中,

  1. 英语梦死在前 0 天的有 416351 人,占总比 68.15%;
  2. 英语梦死在前 1 天的有 466761 人,占总比 76.40%;
  3. 英语梦死在前 2 天的有 484535 人,占总比 79.31%;
  4. 英语梦死在前 5 天的有 510230 人,占总比 83.52%;
  5. 英语梦死在前 10 天的有 531219 人,占总比 86.95%;
  6. 英语梦死在前 20 天的有 551557 人,占总比 90.28%;
  7. 英语梦死在前 50 天的有 575975 人,占总比的 94.28%;
  8. 英语梦死在前 100 天的有 590700 人,占总比 96.69%;
  9. 英语梦死在前 200 天的有 575975 人,占总比 98.36%;
  10. 英语梦死在前 263 天的有 600875 人,占总比 98.81%;

你可以大致感受到残酷的现实,几乎没有多少人可以坚持到 200 天以后。

但是,你还需要注意到的事情是:

抽样的来源是 ID 为 1~1111111 之间的 60W 成员

众所周知的事情是:

  • 早期的用户往往质量相对会高一些。而且,注册的 ID 越大,证明注册时间距离现在越近。获得 200 天的几率也就低了不少。

那么,这样的话,英语梦死在 200 天之前的人数比例还会大上不少。

回到文章开始:

问:背单词软件有大概多少人注册第一天都没有背完嘛?
答:68.15%

问:有多少人是在坚持或者曾经坚持过背单词呢?(假设 100 天以上算的上是背单词的话)
答:保守估计,不足 3.4%

问:有多少梦想,毁于不能坚持?
答:不妨干了这碗鸡汤,歌唱青春一去不复返。

问:背单词的人们学习的量,是不是符合正太分布呢?
答:不是,简直就是反比例函数。

抛出一个结论:

以绝大部分人努力之低,根本就用不着拼天赋。

赠给你我,共勉。

0x06 整个流程的不足和反思。

扇贝的工程师反爬虫做的还不错,主要有两点:

  • 访问数量超标,封禁 IP 半个小时。对应的方法就是代理服务器。
  • cookie 如果不禁用很快就无法爬取。对应的方法就是禁用 Cookie.

爬虫框架使用 Scrapy, 这样就免去了大量的繁琐的线程调度问题,直接写获取信息的逻辑代码,以及存储信息的逻辑代码就好了。

在编写爬虫的过程中,有一些经验:

  • 在爬虫开启以后,由于我暴力的关闭,导致还是有不少的 item 没有完成请求处理和存储。
  • 我在处理异常的时候忘了应当把失败的 item 存放放在文件中,方便我第二次补充,这样的话就不会丢失一部分的用户信息了。
  • 代理服务器需要自己写脚本进行测试,否则你可能有很多很多的请求都会超时(毕竟很多代理服务器还是很不靠谱的).

我的分析数据能力并不是很强,仅仅是从 CS109 里面偷学了一点点,然后使用 Seaborn 画图,但是这整个过程中还是觉得自己分析不过来,不是写不出代码,而是不清楚使用什么样的数据模型进行分析更好。

0x07 代码

代码放在了 Github 上面,咳咳,注意,没有把代理服务器放进去。如果你跑一下会发现只能半小时抓取 300+ 页面,这不是我的问题,是你没有把代理服务器填好。代码比较粗糙,还请轻拍。

代码的地址为:

https://github.com/twocucao/DataScience/

仓库里包含了抓取网站的代码和分析数据的 IPython Notebook, 自己阅读吧。

如果喜欢本文,就点个喜欢吧。