- 来源 | 愿码(ChainDesk.CN)内容编辑
- 愿码Slogan | 连接每个程序员的故事
- 网站 | http://chaindesk.cn
- 愿码愿景 | 打造全学科IT系统免费课程，助力小白用户、初级工程师0成本免费系统学习、低成本进阶，帮助BAT一线资深工程师成长并利用自身优势创造睡后收入。
- 官方公众号 | 愿码 | 愿码服务号 | 区块链部落
- 免费加入愿码全思维工程师社群 | 任一公众号回复“愿码”两个字获取入群二维码
本文阅读时长：10min
在本文中，我们将探讨如何利用Python的强大功能来收集和处理来自GitHub的数据并使其准备好分析。
GitHub采用广泛使用的版本控制方法，通过在编程领域实现社交网络功能，将编码提升到最高水平。GitHub允许您创建代码存储库并提供多种协作功能，错误跟踪，功能请求，任务管理和维基。它拥有大约2000万用户和5700万个代码库（来源：维基百科）。这些统计数据很容易证明这是程序员最具代表性的平台。它也是几个开源项目的平台，这些项目为软件开发领域做出了巨大贡献。假设GitHub使用了最新的编程工具和技术，分析GitHub可以帮助我们检测最流行的技术。存储库在GitHub上的受欢迎程度是通过它从社区收到的提交数量来评估的。我们将在本文中使用GitHub API来收集具有最多提交数量的存储库的数据，然后发现其中最流行的技术。
范围和流程
GitHub API允许我们获取有关用户提交的公共代码存储库的信息。它涵盖了许多开源，教育和个人项目。我们的重点是找到过去几个月的趋势技术和编程语言，并与过去几年的存储库进行比较。我们将收集有关存储库的所有元信息，例如：
- Name：存储库的名称
- Description：存储库的描述
- Watchers：人们关注存储库并获得有关其活动的通知
- Forks ：用户将存储库克隆到自己的帐户
- Open Issues：提交的有关存储库的问题
我们将使用这些数据，定性和定量信息的组合，来识别最新趋势和微弱信号。该过程可以通过下图中显示的步骤表示：
获取数据
在使用API之前，我们需要设置授权。API允许您访问所有公开可用的数据，但某些端点需要用户权限。您可以使用应用程序设置创建具有某些特定范围访问权限的新令牌。范围取决于您的应用程序的需求，例如访问用户电子邮件，更新用户配置文件等。 密码授权仅在某些情况下需要，例如用户授权的应用程序访问。在这种情况下，您需要提供用户名或电子邮件以及密码。
所有API访问均通过HTTPS进行，并可从https://api.github.com/ 域访问。所有数据都以JSON的形式发送和接收。
速率限制
GitHub Search API旨在帮助查找特定项（存储库，用户等）。速率限制策略允许每次搜索最多1,000个结果。对于使用基本身份验证，OAuth或客户端ID和密钥的请求，您每分钟最多可以发出30个请求。对于未经身份验证的请求，速率限制允许您每分钟最多发出10个请求。
连接到GitHub
GitHub提供了一个搜索端点，它返回与查询匹配的所有存储库。随着我们的进展，在分析的不同步骤中，我们将更改变量q（查询）的值。在第一部分中，我们将检索自2017年1月1日以来创建的所有存储库，然后我们将比较前几年的结果。
首先，我们初始化一个空列表结果，该结果存储有关存储库的所有数据。其次，我们使用API所需的参数构建get请求。我们每个请求只能获得100个结果，因此我们必须使用分页技术来构建完整的数据集。
results = []
q = "created:>2017-01-01"
def search_repo_paging(q):
url = 'https://api.github.com/search/repositories'
params = {'q' : q, 'sort' : 'forks', 'order': 'desc', 'per_page' : 100}
while True:
res = requests.get(url,params = params)
result = res.json()
results.extend(result['items'])
params = {}
try:
url = res.links['next']['url']
except:
break在第一个请求中，我们必须将所有参数传递给请求中的方法。然后，我们为每个下一页创建一个新请求，可以在链接中找到包含所有其他参数的资源的完整链接。这就是我们清空params词典的原因。
GET res.links'next'. res.
重复该操作，直到字典中没有下一页键。对于其他数据集，我们修改搜索查询的方式是从前几年检索存储库。例如，要从2015年获取数据，我们定义以下查询：res.links
q = "created:2015-01-01..2015-12-31"为了找到合适的存储库，API提供了大量的查询参数。使用限定符系统可以高精度地搜索存储库。从主搜索参数q开始，我们有以下选项：
- sort：设置为forks，因为我们有兴趣找到具有最大数量的分支的存储库（您还可以按星数或更新时间排序）
- order：设置为降序
- per_page：设置为返回的最大存储库数量
当然，搜索参数q 可以包含多个限定符组合。
数据拉动
我们通过GitHub API收集的数据量使其适合内存。我们可以直接在pandas数据帧中处理它。如果需要更多数据，我们建议将其存储在数据库中，例如MongoDB。
我们使用JSON工具将结果转换为干净的JSON并创建数据帧。
from pandas.io.json import json_normalize
import json
import pandas as pd
import bson.json_util as json_util
sanitized = json.loads(json_util.dumps(results))
normalized = json_normalize(sanitized)
df = pd.DataFrame(normalized)数据框df 包含与GitHub API返回的所有结果相关的列。我们可以通过输入以下内容列出它们：
Df.columns
Index(['archive_url', 'assignees_url', 'blobs_url', 'branches_url',
'clone_url', 'collaborators_url', 'comments_url', 'commits_url',
'compare_url', 'contents_url', 'contributors_url', 'default_branch',
'deployments_url', 'description', 'downloads_url', 'events_url',
'Fork',
'forks', 'forks_count', 'forks_url', 'full_name', 'git_commits_url',
'git_refs_url', 'git_tags_url', 'git_url', 'has_downloads',
'has_issues', 'has_pages', 'has_projects', 'has_wiki', 'homepage',
'hooks_url', 'html_url', 'id', 'issue_comment_url',
'Issue_events_url',
'issues_url', 'keys_url', 'labels_url', 'language', 'languages_url',
'merges_url', 'milestones_url', 'mirror_url', 'name',
'notifications_url', 'open_issues', 'open_issues_count',
'owner.avatar_url', 'owner.events_url', 'owner.followers_url',
'owner.following_url', 'owner.gists_url', 'owner.gravatar_id',
'owner.html_url', 'owner.id', 'owner.login',
'Owner.organizations_url',
'owner.received_events_url', 'owner.repos_url', 'owner.site_admin',
'owner.starred_url', 'owner.subscriptions_url', 'owner.type',
'owner.url', 'private', 'pulls_url', 'pushed_at', 'releases_url',
'score', 'size', 'ssh_url', 'stargazers_count', 'stargazers_url',
'statuses_url', 'subscribers_url', 'subscription_url', 'svn_url',
'tags_url', 'teams_url', 'trees_url', 'updated_at', 'url',
'Watchers',
'watchers_count', 'year'],
dtype='object')然后，我们选择将用于进一步分析的变量子集。我们跳过与URL、所有者信息或ID 相关的所有技术变量 。其余列包含的信息很可能有助于我们识别新的技术趋势：
- description：存储库的用户描述
- watchers_count：观察者人数
- size：存储库的大小（以KB为单位）
- forks_count：叉的数量
- open_issues_count：未解决的问题数量
- language：编写存储库的编程语言
我们选择了衡量存储库流行度的标准。此数字表示有多少人对该项目感兴趣。 但是，我们也可以使用它给我们提供有关流行度的略有不同的信息。后者表示实际使用代码的人数，因此它与不同的组相关。watchers_count forks_count
数据处理
在上一步中，我们构建了原始数据，现在可以进行进一步分析。 我们的目标是分析两种类型的数据：
- 描述中的文字数据
- 其他变量的数值数据
它们中的每一个都需要不同的预处理技术。让我们看一下Detail 中的每种类型。
文本数据
对于第一种，我们必须创建一个包含已清理字符串的新变量。我们将分三个步骤完成，这些步骤已在前几章中介绍过：
- 选择英文说明
- 符号化
- 停用词
由于我们只处理英语数据，因此我们应该删除所有用其他语言编写的描述。这样做的主要原因是每种语言都需要不同的处理和分析流程。如果我们留下俄语或中文的描述，我们会得到非常嘈杂的数据，而这些数据是我们无法解释的。因此，可以说我们正在分析英语世界的趋势。
首先，我们删除description列中的所有空字符串。
df = df.dropna(subset=['description'])为了删除非英语描述，我们必须首先检测每个文本中使用的语言。为此，我们使用了一个名为langdetect 的库，该库基于 Google语言检测项目。
from langdetect import detect
df['lang'] = df.apply(lambda x: detect(x['description']),axis=1)我们创建一个包含所有预测的新列。我们看到不同的语言， 例如en （英语），zh-cn （中文），vi （越南语）或ca （加泰罗尼亚语）。
df['lang']
0 en
1 en
2 en
3 en
4 en
5 zh-cn在我们的数据集中，en占所有存储库的78.7％。我们现在只选择那些带有英文描述的存储库：
df = df[df['lang'] == 'en']在下一步中，我们将使用预处理的文本数据创建一个新的clean列。我们执行以下代码来执行标记化并删除停用词：
import nltk
from nltk import word_tokenize
from nltk.corpus import stopwords
def clean(text = '', stopwords = []):
#tokenize
tokens = word_tokenize(text.strip())
#lowercase
clean = [i.lower() for i in tokens]
#remove stopwords
clean = [i for i in clean if i not in stopwords]
#remove punctuation
punctuations = list(string.punctuation)
clean = [i.strip(''.join(punctuations)) for i in clean if i not in punctuations]
return " ".join(clean)
df['clean'] = df['description'].apply(str) #make sure description is a string
df['clean'] = df['clean'].apply(lambda x: clean(text = x, stopwords = stopwords.words('english')))
Finally, we obtain a clean column which contains cleaned English descriptions, ready for analysis:
df['clean'].head(5)
0 roadmap becoming web developer 2017
1 base repository imad v2 course application ple…
2 decrypted content eqgrp-auction-file.tar.xz
3 shadow brokers lost translation leak
4 learn design large-scale systems prep system d...数值数据
对于数值数据，我们将统计检查值的分布以及是否存在任何缺失值：
df[['watchers_count','size','forks_count','open_issues']].describe()
我们看到在所有四个变量中没有缺失值:watchers_count、size、forks_count和open_issues。watchers_count的值从0到20,792不等，而最小的fork数是33，并上升到2,589。前四分之一的存储库没有开放问题，而前25%的存储库有超过12个问题。值得注意的是，在我们的数据集中，有一个包含458个开放问题的存储库。
一旦我们完成了数据的预处理，我们的下一步就是分析它，以便从中获得可操作的见解。