python分析b站_实战 | Python模型分析B站优质up主

作者 | 远辰

来源 | 数据不吹牛

不管前浪还是后浪，能够浪起来的才算是好浪。

相信大家最近都被号称“浪里白条”的b站刷了不止一次屏。这次咱们先不谈价值观，主要从数据的角度，扒一扒让b站能够在浪里穿梭的资本——优质UP主。

本文在RFM模型基础上做了调整，尝试用更符合b站特性的IFL模型，找到各分区优质up主。整个过程以分析项目的形式展开，最终附上了完整源数据和代码，方便感兴趣的同学练手。

项目概览

分析目的

对2019年1月~2020年3月发布的视频进行分析，挑选出视频质量高，值得关注的up主。

数据来源

分析数据基于 bilibili 网站上的公开信息，主要爬取了以下数据维度：

2019年1月~2020年3月，科技区播放量过5w视频的分区名称、作者名称、作者id、发布时间、播放数、硬币数、弹幕数、收藏数、点赞数、分享数、评论数，共计50130行。

源数据下载链接

完整数据源和代码链接：https://pan.baidu.com/s/1RIxOxh-TFMey9sGvZLVuJg提取码：bhh2

数据概览

视频信息表：

coins：投硬币数

danmu：弹幕数

favorite：收藏数

likes：点赞数

replay：评论数

share：分享数

view：播放量

各字段数量：

缺失值数量：

数据清洗删除空值df=df.dropna()df.info()

共删除了19行数据，剩余50111行数据

删除重复值df=df.drop_duplicates()df.info()

删除了1312行重复的数据，剩余数据量48799行

提取所需关键词

df=df[['分区','author','date','coins','danmu','favorite','likes','replay','share','view']]df.head()

构建模型

RFM模型是衡量客户价值和创利能力的重要工具和手段。通过一个客户近期购买行为、购买的总体频率以及消费金额三项指标来描述客户的价值状况。

R：最近一次消费时间(最近一次消费到参考时间的间隔)

F：消费的频率(消费了多少次)

M：消费的金额 (总消费金额)

但RFM模型并不能评价视频的质量，所以在这里针对up主的视频信息构建了IFL模型，以评估视频的质量。I(Interaction_rate)：

I值反映的是平均每个视频的互动率，互动率越高，表明其视频更能产生用户的共鸣，使其有话题感。

F(Frequence)：

F值表示的是每个视频的平均发布周期，每个视频之间的发布周期越短，说明内容生产者创作视频的时间也就越短，创作时间太长，不是忠实粉丝的用户可能将其遗忘。

L(Like_rate)：

L值表示的是统计时间内发布视频的平均点赞率，越大表示视频质量越稳定，用户对up主的认可度也就越高。

提取需要的信息

根据不同的分区进行IFL打分，这里以科普区为例sc=df.loc[df['分区']=='科学科普']so=df.loc[df['分区']=='社科人文']ma=df.loc[df['分区']=='机械']tec=df.loc[df['分区']=='野生技术协会']mi=df.loc[df['分区']=='星海']# 一般发布军事内容car=df.loc[df['分区']=='汽车']sc.info()

关键词构造

F值：首先，先筛选出发布视频大于5的up主，视频播放量在5W以上的视频数少于5，说明可能是有些视频标题取得好播放量才高，而不是视频质量稳定的up主。

# 计算发布视频的次数

count=sc.groupby('author')['date'].count().reset_index()

count.columns=['author','times']

# 剔除掉发布视频少于5的up主

com_m=count[count['times']>5]

#com_m = pd.merge(count,I,on='author',how='inner')

com_m.info()

筛选完只剩下208个up主的视频数在5个以上：last=sc.groupby('author')['date'].max()late=sc.groupby('author')['date'].min()# 最晚发布日期与最早之间的天数/发布次数，保留整数，用date重新命名列F=round((last-late).dt.days/sc.groupby('author')['date'].count()).reset_index()F.columns=['author','F']F=pd.merge(com_m, F,on='author', how='inner')F.describe()

通过describe()方法发现，最晚发布日期与最早发布日期为0的现象，猜测是在同一天内发布了大量的视频。# 查找的一天内发布视频数大于5的人F.loc[F['F'].idxmin()]

其视频皆为转载，将其剔除统计范围内。F=F.loc[F['F']>0]F.describe()

I值# 构建I值danmu=sc.groupby('author')['danmu'].sum()replay=sc.groupby('author')['replay'].sum()view=sc.groupby('author')['view'].sum()count=sc.groupby('author')['date'].count()I=round((danmu+replay)/view/count*100,2).reset_index()#I.columns=['author','I']F_I=pd.merge(F,I,on='author',how='inner')F_I.head()

L值# 计算出点赞率计算出所有视频的点赞率sc['L']=(sc['likes']+sc['coins']*2+sc['favorite']*3)/sc['view']*100sc.head()

# 构建L值L=(sc.groupby('author')['L'].sum()/sc.groupby('author')['date'].count()).reset_index()L.columns=['author','L']IFL=pd.merge(F_I, L, on='author',how='inner')IFL=IFL[['author','I','F','L']]IFL.head()

维度打分

维度确认的核心是分值确定，按照设定的标准，我们给每个消费者的I/F/L值打分，分值的大小取决于我们的偏好，即我们越喜欢的行为，打的分数就越高：I值，I代表了up主视频的平均评论率，这个值越大，就说明其视频越能使用户有话题，当I值越大时，分值越大。

F值表示视频的平均发布周期，我们当然想要经常看到，所以这个值越大时，分值越小。

L值表示发布视频的平均点赞率，S值越大时，质量越稳定，分值也就越大。I/S值根据四分位数打分，F值根据更新周期打分。

IFL.describe()

I值打分：

L值打分：

F值根据发布周期打分：

分值计算

# bins参数代表我们按照什么区间进行分组# labels和bins切分的数组前后呼应,给每个分组打标签# right表示了右侧区间是开还是闭，即包不包括右边的数值，如果设置成False，就代表[0,30)IFL['I_SCORE']=pd.cut(IFL['I'], bins=[0,0.03,0.06,0.11,1000],labels=[1,2,3,4], right=False).astype(float)IFL['F_SCORE']=pd.cut(IFL['F'], bins=[0,7,15,30,90,1000],labels=[5,4,3,2,1], right=False).astype(float)IFL['L_SCORE']=pd.cut(IFL['L'], bins=[0,5.39,9.07,15.58,1000],labels=[1,2,3,4], right=False).astype(float)IFL.head()

判断用户的分值是否大于平均值：# 1为大于均值 0为小于均值IFL['I是否大于平均值']=(IFL['I_SCORE']>IFL['I_SCORE'].mean())*1IFL['F是否大于平均值']=(IFL['F_SCORE']>IFL['F_SCORE'].mean())*1IFL['L是否大于平均值']=(IFL['L_SCORE']>IFL['L_SCORE'].mean())*1IFL.head()

客户分层

RFM经典的分层会按照R/F/M每一项指标是否高于平均值，把用户划分为8类，我们根据根据案例中的情况进行划分，具体像下面表格这样：

引入人群数值的辅助列，把之前判断的I\F\S是否大于均值的三个值串联起来：

IFL['人群数值']=(IFL['I是否大于平均值']*100)+(IFL['F是否大于平均值']*10)+(IFL['L是否大于平均值']*1)IFL.head()

构建判断函数，通过判断人群数值的值，来返回对应标签：

将标签分类函数应用到人群数值列：

IFL['人群类型'] = IFL['人群数值'].apply(transform_label)

IFL.head()

各类用户占比

cat=IFL['人群类型'].value_counts().reset_index()cat['人数占比']=cat['人群类型']/cat['人群类型'].sum()cat

各分区up主排行top15

科学科普分区

high=IFL.loc[IFL['人群类型']=='高价值up主']rank=high[['author','L','I','F']].sort_values('L',ascending=False)rank.to_excel('rank.xlsx', sheet_name='科学科普',encoding='utf-8')

社科人文分区

机械分区

机械分区高价值up主只有5位，因为机械分区在科技区是个小分区，发布视频的up主仅有54位。

野生技术协会分区

星海

汽车

参考文章：

1.数据不吹牛:《不到70行Python代码，轻松玩转RFM用户分析模型》

2.Crossin:《B站用户行为分析非官方报告》

3.https://github.com/Vespa314/bilibili-api/blob/master/api.md

今天为大家提供了一种数据分析的模型，用于发掘优质up主，大家完全可以参照这种方式去发掘其他事物。

完整数据源和代码链接：https://pan.baidu.com/s/1RIxOxh-TFMey9sGvZLVuJg 提取码：bhh2

End