数据分析实战(四) 改进版RFM模型挖掘B站动画区优质UP主

前情回顾：Python分析5W+B站热门视频信息

在上次B站数据分析实战中，我们扒拉了一些最咕UP主。这次，我们再来扒扒一些优质UP主吧~

一、数据介绍及处理

本次案例数据共57407条bilibili动画区播放量破万视频信息，时间跨度为2020年1月1日~2020年12月31日，其主要字段如下：

字段名	含义
Up_er	UP主名
title	视频名称
pubdate	视频发布时间
video_time	视频时长/秒
likes	点赞数
coins	硬币数
favorites	收藏数
shares	分享数
views	播放量
comments	评论数
danmu	弹幕数
type	所在分区(MAD-AMV、MMD、短片-手书-配音、手办-模玩)

分区介绍
MAD是利用既存的素材（一般为动画或CG图），加以修改，剪接等“二次创作”并配乐而制作成的影片。
AMV为动画音乐视频（Anime Music Video，简称AMV）是由一个或几个动画组成，并搭配一首歌曲的短片
MMD全称为MikuMikuDance，是由樋口优开发的一款免费的3D动画制作软件，3D的二次元作品通常都是MMD

数据预览

预处理部分与上篇博客基本相同，在此不再贴图展示，该部分代码如下：

import pandas  as pd
import os
os.chdir('C:/users/dell/Desktop/')
data = pd.read_csv('bilibili.csv',parse_dates=['pubdate'],encoding='gb18030') #parse_dates将pubdate解析为日期格式
data1 =  data.dropna()  #删除缺失值
data1 = data1.drop_duplicates() #删除重复值

二、实战分析

2.1 改进版RFM模型介绍

RFM模型一种通过客户近期购买行为、购买频率及消费金额，来衡量客户价值及创利能力的模型。其简称基本含义为：

字母	含义
Recency	最近一次消费时间（最近一次消费时间到参考时间的间隔）
Frequency	消费的频率
Money	消费的金额

显然RFM模型不能对视频质量进行评价，鉴此，本文参考博主数据不吹牛的做法，使用改进版RFM模型来对视频质量进行评估。

• I（Interaction rate）
  I值反映的是平均每个视频的互动率，互动率越高，表明其视频更能拉近与观众的距离。计算方式如下：
  $$I=\frac{总弹幕数+总评论数}{总播放量\times 统计范围内视频数量}$$

• F（Frequence）
  F值表示的是每个视频的平均发布周期，各视频之间的发布周期越短，则说明UP主创作活力与效率越高。计算方式如下：
  $$F=\frac{统计范围内最晚发布的视频时间-最早视频发布时间}{该段时间内发布视频的数量}$$

• 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。计算方式如下：

$$L=\frac{点赞数\times 1+投币数\times 2+收藏数\times 3+分享数\times 4}{播放量\times 发布视频数}$$

2.2 分值计算

为后续分析方便，这里以动画区中的MAD-AMV分区为例，其余分区均可通过同样思路进行分析。首先，将各区UP主筛选出来：

data2 = data1[['Up_er','pubdate','likes','coins','favorites','shares','comments','views','danmu','type']]
AMV = data2[data2['type'] == 'MAD-AMV']
MMV = data2[data2['type'] == 'MMD']
sf = data2[data2['type'] == '短片-手书-配音']   
gk = data2[data2['type'] == '手办-模玩']
print('AMV区共{}条数据\nMMV区共{}条数据\n短片-手书-配音区共{}条数据\n手办-模玩区共{}条数据'.format(len(AMV),len(MMV),len(sf),len(gk)))

• I值计算

#计算I值
danmu_sum = AMV.groupby('Up_er')['danmu'].sum()
comments_sum = AMV.groupby('Up_er')['comments'].sum()
views_sum = AMV.groupby('Up_er')['views'].sum()
counts_sum = AMV.groupby('Up_er')['pubdate'].count()

I = round((danmu_sum+comments_sum)/views_sum/counts_sum*100,2).reset_index() 
I.columns=['author','I']
I.head()

• F值计算

#计算F值
earliest = AMV.groupby('Up_er')['pubdate'].min()
latest = AMV.groupby('Up_er')['pubdate'].max()
F = round((latest-earliest).dt.days/AMV.groupby('Up_er')['pubdate'].count()).reset_index()
counts_sum = AMV.groupby('Up_er')['pubdate'].count().reset_index()
counts_sum.columns = ['Up_er','pub_counts']
counts_sum1 = counts_sum[counts_sum['pub_counts']>5]   #剔除发布视频数小于5的UP主

F = pd.merge(counts_sum1, F,on='Up_er', how='inner')
F.columns = ['Up_er','pub_counts','F']
F.head()

考虑到某些视频博主某天发布多条视频后就销声匿迹了，我们还需查看下F值的整体情况

F最小值为2，即不存在博主某天发布多条视频后销声匿迹的情况。

• L值计算

#计算L值
AMV['likes_rate']=(AMV['likes']*1+AMV['coins']*2+AMV['favorites']*3+AMV['shares']*4)/AMV['views']*100
L = round((AMV.groupby('Up_er')['likes_rate'].sum()/AMV.groupby('Up_er')['pubdate'].count()).reset_index(),2)
L.columns = ['Up_er', 'L']
L.head()

合并IFL值

#合并IFL值
IF = pd.merge(I,F,on = 'Up_er',how = 'inner')
IFL = pd.merge(IF,L,on = 'Up_er',how = 'inner')
IFL.head()

2.3 维度打分

对于F值，我们可以按照如下区间范围进行打分

分值	F值所处区间	含义
1	$[90,\infty ]$	超过三个月以上更新一次
2	$[30,90)$	平均三个月更新一次
3	$[15,30)$	平均一个月更新一次
4	$[7,15)$	平均两周更新一次
5	$[1,7)$	平均一周更新一次

而对于I值和L值，我们可以根据其四位分位数对其进行打分

I值打分区间如下：

分值	F值所处区间	含义
1	$[0,0.03]$	互动率大于0
2	$[0.03,0.05)$	互动率大于0.03%
3	$[0.05,0.09)$	互动率大于0.05%
4	$[0.09,\infty )$	互动率大于0.09

L值打分区间如下：

分值	F值所处区间	含义
1	$[2.08,23.07)$	点赞率大于2.08%
2	$[23.07,29.89)$	点赞率大于23.07%
3	$[29.89,36.49)$	点赞率大于29.89%
4	$[36.49,\infty )$	点赞率大于36.49%

#AMV区打分,500即代表无穷大,right=False表示为划分区间格式为左闭右开
IFL['I_score'] = pd.cut(IFL['I'], bins=[0,0.03,0.05,0.09,500], 
                        labels=[1,2,3,4], right=False).astype(float)

IFL['F_score'] = pd.cut(IFL['F'], bins=[0,7,15,30,90,500], 
                        labels=[5,4,3,2,1], right=False).astype(float)

IFL['L_score'] = pd.cut(IFL['L'], bins=[2.08,23.07,29.89,36.49,500], 
                        labels=[1,2,3,4], right=False).astype(float)

#与各自均值比较
IFL['I值是否大于均值'] = (IFL['I_score']>IFL['I_score'].mean())*1  #布尔值与数字运算规则:True则返回数字;False返回0
IFL['F值是否大于均值'] = (IFL['F_score']>IFL['F_score'].mean())*1
IFL['L值是否大于均值'] = (IFL['L_score']>IFL['L_score'].mean())*1
IFL.head()

2.4 UP主分层

参考RFM模型对客户分层的做法，利用IFL模型可将UP主分为如下8类（1代表是，0代表否）：

用户分类	I是否高于均值	F是否高于均值	L是否高于均值	含义
高价值UP主	1	1	1	用户活跃高，更新周期短，视频质量高
高价值拖更UP主	1	0	1	用户活跃高，更新周期长，视频质量高
高质量UP主	0	1	1	用户活跃低，更新周期短，视频质量高
接地气活跃UP主	1	1	0	用户活跃高，更新周期短，视频质量低
高质量拖更UP主	0	0	1	用户活跃低，更新周期长，视频质量高
活跃UP主	0	1	0	用户活跃低，更新周期短，视频质量低
接地气UP主	1	0	0	用户活跃高，更新周期长，视频质量低
萌新UP主	0	0	0	用户活跃低，更新周期长，视频质量低

IFL['value'] = (IFL['I值是否大于均值'])*100+(IFL['F值是否大于均值'])*10+(IFL['L值是否大于均值'])*1
label_dict = {
    111:'高价值UP主',
    101:'高价值拖更UP主',
    11:'高质量UP主',
    110:'接地气活跃UP主',
    1:'高质量拖更UP主',
    10:'活跃UP主',
    100:'接地气UP主',
    0:'萌新UP主',
}
IFL['label'] = IFL['value'].map(label_dict)
IFL.head()

按照相同的思路，对其余分区进行分析，最终以可视化的方式，呈现下图：

从上图简要分析可知：
MAD-AMV区的UP主呈现出高质量高价值特征，高质量与高价值类型UP主占比50%，但由于高质量视频制作难度大的原因，导致不少UP主低于平均更新周期，这与我们上篇博客的分析是保持一致的。

MMD区的UP主呈现出高质量、高价值但拖更严重特征，高质量与高价值类型UP主占比56%，拖更UP主所占比例达到了39%，是所有分区中最高的！

短片-手书-配音区的UP主呈现出接地气、有活力、更新快特征，接地气、有活力的UP主共占比52%。此外，萌新UP主占比是四个分区中最高的，但高质量高价值UP主占比相对较少，这也反映出该区容易水视频~

手办-模玩区UP主比短片-手书-配音区UP主表现出更为尤胜的活力特征，接地气、有活力的UP主共占比84%由此看来，手办-模玩区的视频质量不高，但能吸引观众。

以上就是本次分享的全部内容~

参考文章

数据不吹牛——加强版RFM模型挖掘B站优质UP主