https://habr.com/ru/post/519054/

• Python
• Data Engineering

Предлагается взглянуть на dataset постов с pikabu.ru c точки зрения датастатистики. Сам датасет в составе 450к штук собран лучшими круглосуточными парсерами, обработан отдушками, убирающими дубликаты статей, а также нашпигован дополнительными столбцами, смысл наличия которых доступен только посвященным. Здесь не столько интересен сам датасет, сколько подход к анализу подобных сайтов. В последующих постах попробуем применить элементы из maсhine learning для анализа.



Работу с датасетом можно вести как в обыкновенном excel, так и jupyter notebook, поля данных разделены табуляцией. Мы остановимся на последнем варианте, и все команды будут приводиться с учетом того, что работа ведется в jupyter notebook.

Будем работать в windows. Поэтому зайдем, используя cmd в папку со скачанным датасетом и запустим jupyter notebook одноименной командой.
Далее импортируем модули.

import pandas as pd
import numpy as np

Так как датасет не содержит заголовков, обозначим их перед загрузкой датасета:

headers=['story_title','link','story_id','data_rating','data_timestamp','story_comments','data_author_id','data_meta_rating','user_name','user_link','story__community_link']

Здесь все наглядно: название статьи, ссылка на нее, id статьи, рейтинг (количество плюсов), дата статьи, количество комментариев, id автора, мета рейтинг статьи, имя автора, ссылка на автора, ссылка на комьюнити.

Считаем датасет.

df = pd.read_csv('400k-pikabu.csv',parse_dates=['data_timestamp'],
                   warn_bad_lines=True,
                   index_col = False,                   
                   dtype ={'story_title':'object','link':'object','story_id':'float32','data_rating':'float32',
                   'story_comments':'float32','data_author_id':'float32'},
                   delimiter='\t',names=headers)

Здесь проведена небольшая оптимизация значений при считывании, чтобы некоторые столбцы были представлены как числовые.

Итак, датасет представляет 468595 строк,11 столбцов.

print(df.shape)#468595 строк,11 столбцов

Первые 5 записей

df.head(5)

Статистическое описание:

df.describe()

Работа с пустыми значениями в датасете

Несмотря на то, что парсеры работали не покладая рук, в датасете есть небольшие дыры, иными словами технологические отверстия, представленные пропусками. Данные пропуски в pandas попадают со значением NaN. Посмотрим количество строк с такими пустотами:

len(df.loc[pd.isnull( df['story_title'])])

Как это выглядит на датасете:

df.loc[pd.isnull( df['story_title'])]

1444 строки с пропусками общей картины не портят, но, все таки, избавимся от них:

data1=df.dropna(axis=0, thresh=5)

Проверяем, что удаление прошло успешно:

len(data1.loc[pd.isnull(data1['story_id'])]) 

Поработаем с датасетом.
Посмотрим названия колонок

df.columns

Выберем первую колонку

col = df['story_title']
col

Взглянем на минимум в датасете

data1.min()

Максимум

data1.max()

То же самое более наглядно:

data1.loc[:,['user_name', 'data_rating', 'story_comments']].min()

Теперь соберем значения из интересных столбцов в массив:

arr = data1[['story_id', 'data_rating', 'data_timestamp','user_name']].values

Можно посмотреть на один из столбцов массива:

arr[:, 1] #столбец рейтинг

Посмотрим на количество статей с рейтингом более 10000:

print((arr[:, 1] > 10000.0).sum())

Только 2672 статей имеют сверхвысокий рейтинг из 450к

Порисуем графики
Сначала импортируем модуль:

import matplotlib.pyplot as plt

Выясним если связь между id автора статьи и рейтингом статьи?

plt.scatter(data1['data_author_id'], data1['data_rating'])
plt.xlabel('data_author_id') 
plt.ylabel('data_rating')

Из-за большого количества данных сложно уловить взаимосвязь и, скорее всего, она отсутствует.

Если связь между id статьи и рейтингом статьи?

plt.scatter(data1['story_id'], data1['data_rating'])
plt.xlabel('story_id') 
plt.ylabel('data_rating')

Здесь заметно, что посты с более высоким номером (более поздние посты) получают больший рейтинг, за них чаще отдают голоса. Растет популярность ресурса?

Если связь между датой статьи и рейтингом?

plt.scatter(data1['data_timestamp'], data1['data_rating'])
plt.xlabel('data_timestamp') 
plt.ylabel('data_rating')

Также видна взаимосвязь между более поздними публикациями и рейтингом постов. Более качественный контент или опять же просто рост посещаемости ресурса?

Если связь между рейтингом статьи и количеством комментов к ней?

plt.scatter(data1['story_comments'], data1['data_rating'])
plt.xlabel('story_comments') 
plt.ylabel('data_rating')

Здесь прослеживается линейная зависимость, хотя она сильно распылена. Логика определенная есть, чем выше рейтинг поста, тем больше комментов.

Посмотрим на топ авторов (авторов, суммарный рейтингов постов которых максимален):

top_users_df = data1.groupby('user_name')[['data_rating']].sum().sort_values('data_rating', ascending=False).head(10)   
top_users_df

Добавим наглядности:

top_users_df.style.bar()

Попробуем другие инструменты визуализации.Например, seaborn.

# для установки библиотек
 ! pip3 install seaborn
from __future__ import (absolute_import, division,
                        print_function, unicode_literals)
# отключим предупреждения
import warnings
warnings.simplefilter('ignore')

# будем отображать графики прямо в jupyter'e
%pylab inline
#графики в svg выглядят более четкими
%config InlineBackend.figure_format = 'svg' 

#увеличим размер графиков
from pylab import rcParams
rcParams['figure.figsize'] = 6,3
import seaborn as sns

Построим графики, используя столбцы с id постов, их рейтингом и комментариями, сохраним результат в .png:

%config InlineBackend.figure_format = 'png' 
sns_plot = sns.pairplot(data1[['story_id', 'data_rating', 'story_comments']]);
sns_plot.savefig('pairplot.png')

Попробуем инструмент визуализации Plotly.

from plotly.offline import init_notebook_mode, iplot
import plotly
import plotly.graph_objs as go
init_notebook_mode(connected=True)

Сгруппируем данные по дате и суммарному рейтингу статей на эту дату:

df2 = data1.groupby('data_timestamp')[['data_rating']].sum()
df2.head()

Посмотрим, сколько статей всего выходило на определенную дату (месяц):

released_stories = data1.groupby('data_timestamp')[['story_id']].count()
released_stories.head()

Склеим две таблицы:

years_df = df2.join(released_stories)
years_df.head()

Теперь нарисуем, используя plotly:

trace0 = go.Scatter(
    x=years_df.index,
    y=years_df.data_rating,
    name='data_rating'
)
trace1 = go.Scatter(
    x=years_df.index,
    y=years_df.story_id,
    name='story_id'
)
data = [trace0, trace1]
layout = {'title': 'Statistics'}
fig = go.Figure(data=data, layout=layout)
iplot(fig, show_link=False)

Прелесть plotly в ее интерактивности. В данном случае на графике при наведении виден суммарный рейтинг статей на определенную дату(месяц). Видно, что рейтинг просел в 2020. Но это можно объяснить тем, что количество статей из данного промежутка недостаточно собрано парсерами, а также то, что посты пока не обросли достаточным количеством плюсов.
Внизу графика красной линией так же интерактивно показано количество уникальных статей на определенную дату.
Сохраним график в виде html-файла.

plotly.offline.plot(fig, filename='stats_pikabu.html', show_link=False);

Группировки данных.
Посмотрим сколько авторов в датасете:

data1.groupby('user_name').size()

Сколько всего статей на автора:

data1['user_name'].value_counts()

Кто пишет чаще всего (более 500 статей):

for i in data1.groupby('user_name').size():
    if i>500:        
        print (data1.iloc[i,8],i) #8-номер столбца с user_name

Так вот кто «засоряет» ресурс ). Их не так и много:

Посмотрим, сколько комьюнити на ресурсе всего:

data1.groupby('story__community_link').size() 

И какое из них самое плодовитое:

data1['story__community_link'].value_counts()

*Данные о комьюнити не совсем корректное, так как при парсинге собиралось первое упоминаемое комьюнити, а авторы часто указывают по несколько штук.

Напоследок, посмотрим как применить функцию с вынесением результата в отдельный столбец.
Это понадобится для последующего изучения датасета.
Простая функция отнесения рейтинга статьи к группе.
Если рейтинг больше < 5000 — bad, > 5000 — good.

def ratingGroup( row ):
    # проверяем, что значение рейтинга не равно NaN
    if not pd.isnull( row['data_rating'] ):
        if row['data_rating'] <= 5000:
            return 'bad'
        if row['data_rating'] >= 20000:
            return 'good'        
    
    # если значение возраста NaN, то возвращаем Undef
    return 'Undef'

Применим функцию ratingGroup к DataFrame и выведем результат в отдельный столбец -ratingGroup

data1['ratingGroup'] = data1.apply( ratingGroup, axis = 1 )
data1.head(10)

В датасете появится новый столбец со значениями:


Скачать — датасет.
Скачать неочищенный датасет, чтобы самому почистить от дубликатов — датасет.
*python чистит (удаляет дубликаты строк исходя из id статьи) почти час! Если кто-нибудь перепишет код на с++ буду благодарен!:

with open('f-final-clean-.txt','a',encoding='utf8',newline='') as f:
    for line in my_lines:
        try:
            b=line.split("\t")[2]
            if b in a:        
                pass
            else:
                a.append(b)            
                f.write(line)            
        except:
            print(line)

Jupyter notebook — скачать.