自媒体流行文章成功要素之分析

序言

在熟练了Excel后发现：Excel对于处理十万行记录以下的数据集时是一个不错的选择，但是对于大数据来说就有点力不从心了，自己也成功尝试了使用SQL与R来处理与展现数据，万变不离其宗，大多分析流程都遵循以下步骤，而数据清洗占用了差不多60%的时间。

本次分析也遵循以下步骤：

就让我们开始吧

1. 提出问题
自媒体时代，能抓住人眼球的就抓住了流量。众多开放的平台和分享的渠道，使更多人有了输出内容的欲望，也使一夜爆红成为可能。但也许你辛辛苦苦趴在电脑前一整天码了一天的干货，也抵不过大V随便一张图。与其埋怨自己不是那条锦鲤，不如一起来看看是什么决定了你的文章是否受欢迎吧~

本文将通过Excel数据分析，解决以下问题：

1） 什么时间发文章可以获得更高的转发量？

2） 什么类型的文章最受欢迎？

3） 爆款文章在语言运用上都有什么共同点？

4） 新媒体的运用如何影响文章的受欢迎度？

如果对以上问题感兴趣，就请往下阅读吧

2.理解数据
本次分析所使用的数据为加州大学欧文分校（UCI）官网的数据集中寻找到了一个基于Mashable新闻网站的在线新闻流行度数据集（地址：http://archive.ics.uci.edu/ml/datasets/Online+News+Popularity

该数据集为数据集作者使用Python抓取并计算，抓取时间从2013年1月到2015年1月共709天，有39644条记录，下表为该数据集的字段描述（真是茫茫多）：

3.数据清洗
◥3.1 列名重命名

原始数据中，列名都以英文缩写的形式呈现，看得……有点乱也有点累。

3.2 选择子集

原始数据有61个字段，很多字段的主要用途为建立预测模型。本文的分析手段为趋势分析和描述统计，因此隐藏了暂时不需要的字段，保留了和以下数据相关的字段（还是挺多的）：

3.3 删除重复值

在本次研究的数据中，每篇文章的网址是该文章对应的唯一标识，因此选择「网址」字段进行重复值的删除（选定列→数据→删除重复值）。结果表明数据没有重复值。

◥3.4 分列

1）观察网址列，发现「网址」字段其实包含了域名、日期、文章标题简写这三部分信息，需要将其分列。

2）观察数据发现，每一条文本的域名和日期的字符串长度是一致的，那么在分列的时候就可以选择「固定宽度分列」，将不同的信息拆分开来。

3）接下来将「日期」列的数据格式修改为”yyyy.mm.dd”，使其以日期的格式显示，同时利用Mid函数 [例：mid(C2,2,len(C2)-2)] 来去掉文章名首尾的「/」号，并隐藏没有用处的「域名」列。

4）利用筛选功能来检查分列完成的数据是否有缺失或是错误，自此对「网址」字段的分列完成

3.5 一致化处理

观察和日期相关的字段，发现原始数据中日期是以「是否是周几」为字段名，每个字段用布尔值（0或1）来表示的。这种表示方法有利于计算机识别，能够加快运算速度，在机器学习中比较常用，但不利于本文直观显示结果，因此我们对这部分数据进行一致化处理。

这里可以选择传统的if函数，但需要大量嵌套，很容易出现语法错误，可读性也较差。因此此处选择了利用VBA建立一个switch2函数，能够比较方便地完成多重条件判断。

Alt+F11进入VBA→插入→模块→粘贴代码→保存，就可以用下面的格式使用这个函数啦。

同理我们将文章分类也进行类似的处理。

但分类结束后利用筛选功能发现，分类中出现了错误值。分析原因，是因为原始数据列出的几个分类下，布尔值都是0，也就是说，该文章不属于这六个分类。因此我们将错误值人为修正，改成「其他」。

3.6 数据排序

利用排序功能，我们用「日期」字段进行升序排列。自此，完成对数据的清洗过程。

▉4.分析

◥4.1 挑对时间发文章，事半功倍

1） 首先，利用excel中的数据分析功能，我们对所有文章的分享数进行了一个描述统计分析，如下：

可以看出，该网站每篇文章的平均分享量接近3400，但中位数只有1400，且标准差大于10000，可以看出这是一组波动较大的数据。大多数文章的分享量其实在1000出头，但少数的几篇爆款文章可能有10万+甚至50万+的分享量，因而拉高了平均值。

2） 为了不使这些爆款文章影响我们对平均趋势的分析结果，利用四分位数的计算法则，用「分享量>Q3+100(Q3-Q1)」来鉴别爆款文章，得到了共20篇这样的文章。在计算平均趋势时将其剔除。

3） 利用数据透视表对剔除后的文章按月进行分类汇总，我们可以看到每个月的文章数量和平均分享数。

从文章数量上看，作者们似乎更青睐在7月和10月发表文章；但从分享数来看，3月和12月领跑全年。3月和12月正好对于欧美地区的春假和圣诞假期，可能此时新媒体受众的主力军之一——学生党更有时间阅读文章进行转发吧~

4） 如果按星期分类，则情况变得十分有趣：

文章发表量从周日到周六呈现凸状分布，工作日发表的文章远大于周末，看来Mashable应该有不少职业写手，双休日就去休息了。

然而分享量在周中的分布恰恰相反，呈凹型分布，周末的数据一骑绝尘。不知是大家周末比较有时间阅读呢，还是文章太少没得看（手动狗头~）

◥4.2 热点，你真的追对了吗

1） 如果按照文章分类来看，刨去其他类型（包含话题较多，不具有参考价值），Mashable上国际、科技、商业、娱乐类型的文章数量都比较多，这些领域也的确比较容易发生新闻，可能一个大事件发生，文章便如雨后春笋般冒出。

但啪啪打脸的是，分享量的数据完美印证了「物以稀为贵」的道理，偏偏数量最少的社交媒体和生活类文章拥有最高的分享量。也许柴米油盐，亲人朋友才是大家每天最愿意讨论和分享的话题呢。

2） 另外，站在巨人的肩膀上似乎也是不错的博关注方法。

下表明显可以看出，如果你所引用的文章拥有较高的分享数，那么你的文章就更可能获得更高的分享数。看来追热点，跟着大佬走总没错。

5.结论
经过以上的分析，似乎可以摸到一些写爆款文章的门道了，我们来sum up一下吧：

1） 周末发文章，哪怕周三写好了也周六发，转发量杠杠的！同理假期发文章，寒假暑假春节，别人休息我发文！

2） 多写点生活、社交的话题，受众广泛；热点要追对，大佬的腿要抱紧才有饭饭吃。

3） B格长标题，3分钟能读完的干货，简单大众的用词，（jia zhuang）客观的叙述，是你文章受欢迎的四大法宝。

4） 多多插入视频图片音频总没错的~再不成……转行当up主吧，流量高多了（大雾）。

本文的可视化报告由于篇幅太长未上传，是基于Excel的数据透视图与R的ggplot2包制作完成。