数据分析深扒B站UP主！各分区TOP15有你关注的吗？

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，完整源数据和代码可以添加文末顾问老师领取，方便感兴趣的同学练手。

一.项目概览

1.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。

2.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。

二.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：

三.数据清洗

1.删除空值

df = df.dropna()

df.info()

共删除了19行数据，剩余50111行数据。

2.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。

3.提取所需关键词

df = df[["分区", "author","date","coins","danmu","favorite","likes","replay","share","view"]]

df.head()

四.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。

1.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()

2.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"]*100

sc.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()

3. 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：

4.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()) *1

IFL["F是否大于平均值"] =(IFL["F_SCORE"] > IFL["F_SCORE"].mean()) *1

IFL["L是否大于平均值"] =(IFL["L_SCORE"] > IFL["L_SCORE"].mean()) *1

IFL.head()

5.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IFS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()

6.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

三.各分区up主排行top15

1.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")

2.社科人文分区

3.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。

4.野生技术协会分区

5. 星海

6.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

End.

作者：小z

来源：数据不吹牛

本文已和作者授权，如转载请与作者联系