本文來自「樓+ 之數據分析與挖掘實戰 」第 4 期學員 —— Yueyec 的作業。他爬取了B站上所有的番劇信息，發現了很多有趣的數據～
關鍵信息：最高播放量 / 最強up主 / 用戶追番數據 / 雲追番？
起源
「數據分析」從「數據挖掘」開始，Yueyec 同學選擇了 BeautifulSoup 來爬取B站的番劇信息。部分代碼如下：
完整的代碼可在文末查看。
數據清洗
數據分析前，我們要對數據進行清洗。
爬取數據后，發現有些視頻的播放次數為-1，可能是由於版權、封號等問題下架的視頻，大約有1000多個。
data[-1 == data['觀看次數']]
清洗掉這些臟數據，清洗完成后，就可以分析拿到手的數據了。
data.drop(data[-1 == data['觀看次數']].index, inplace=True)
最勤勞的up主
開始數據分析環節，我們先來看看誰是最勤勞的up主，他貢獻了全站四分之一的番劇，猜猜他是誰？
統計發現：大致四分之一是 嗶哩嗶哩官方 發布的，排第二的則為「小清水亜美」，搬運了3218 集的番劇，第三位為 東京電視台。
完整的代碼可在文末查看。
收藏量和播放量最高的番劇
收藏量和播放量最高的番劇都是哪部？結果可能會大大出於意料……
data.sort_values("收藏", ascending=False).reset_index(drop=True)
收藏數量排序
統計發現，收藏的番劇中，很多都是劇場版，可能是相對於TV版，劇場版制作更精良的緣故。在具體排序中，排第五的居然是本月10號上傳的番劇，這點很意外。
播放量最高的番劇又是哪個呢 ：
data.sort_values("觀看次數", ascending=False).reset_index(drop=True)
分析結果：
- 排名最高的「工作細胞」的播放量幾乎達到了4000千萬，遠超第二部。
2. 前五名中，「Overlord」出現了三次，果然是公認的B站霸權的番劇。
- 排名靠前的幾部，都是番劇的第一集。
XX雲番劇？
根據用戶喜好，智能推薦音樂的應用我們都見過很多，但智能推薦番劇的好像挺少，能不能基於用戶數據，做一個推薦番劇的系統呢？
Yueyec 同學進行了實驗：
“另外爬取了用戶的追番信息來做關聯分析，可以查看到哪些番劇是關聯比較大的。”
“可以看到，其中很多是同一個番劇，只是季數不同。但不少番劇之間也與很高的置信度，我覺得可以用此得到一個簡單的推薦算法。”
中肯的總結和建議
-
通過這次6周的學習，補充了不少知識，加深了 Pandas 的使用，也了解了時間序列、自然語言等的處理方法。
-
雖然時間不長，但是對整個過程都有所了解，為將來學習機器學習建立了基石。
-
部分挑戰太簡單，建議把挑戰換成從頭到尾自己實現模型，更能加深印象和具有挑戰難度。
-
第五周的內容展現了不同類型的分析模板，加強了見識也提供了很多擴展的內容。因為並沒有完全看完，所以接下來會花部分時間來學習這部分。
除了 Yueyec 同學，還有很多優秀的同學的作品：
這些作品的代碼，你可以在瀏覽器中輸入這個鏈接，或點擊閱讀原文，再點擊「查看更多優秀作品」來查閱。
https://github.com/shiyanlou/louplus-dm/tree/master/Assignments
如果你也想像這位同學一樣，系統地學習數據挖掘和數據分析技能，可以了解一下《數據分析與挖掘實戰》這門課程，目前已經開到第六期，一線大牛授課，帶你在6周內成長為有真實工作能力的數據科學工程師。
現在掃碼添加小姐姐微信，還可領取：100元優惠券 + 數據分析與挖掘學習腦圖～
我在實驗樓等你!