别急,Python 程序员用数据给你说话。
文章目录如下:
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:
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:
那么,我的任务也就可以分解如下:
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:
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。
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。
#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。
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:
平均到每一个人身上
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。
简直惨不忍睹。
第二个,非零用户的打卡数量直方图。
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 020,20100,100500,5002000 范围的分布图了。
分别如下:
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,
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:
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。
扇贝的工程师反爬虫做的还不错,主要有两点:
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:
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。
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。