米筐社区全方位数据解读

社区链接 ​近期我们的米筐首席临时工做了一件非常好玩的事情，通过自己编写爬虫爬取了 Ricequant 线上社区的数据并进行了一系列的分析，大家也可以通过本篇文章初步了解 python 爬虫的原理哦。

原文

最近看完了《利用 Python 进行数据分析》，苦于屠龙大技无处施展，于是瞄上了米筐社区：开放的社区数据，都好好地摆在那。从数据的爬取储存、清洗整理，到分析汇总、可视化，最终写成本文，整整搭上了三天时间（别问我为啥效率这么低，后面会讲道）。

###爬取储存

作为一个爬虫弱渣，还好米筐社区没有反爬机制（但容我吐槽一句，社区网页源码可真不是那么容易能理得清的），靠着 requests 和 bs4 的文档，跌跌撞撞地爬取了所有数据，包括所有主题帖的标题、地址、发帖时间、再次编辑时间、跟帖量、浏览量、点赞量、是否带有回测分享、是否带有研究分享，以及分享的克隆次数。

先说一说思路。首先进入社区主页，一共 170+ 页的所有信息都在网页源码里。用 requests 请求后再用 bs4 解析（必要的时候可以暴力一点，自己目测解析），基本就能拿到大部分数据了。而发帖时间和再次编辑时间，需要进入每一个主题帖，再在其中找到所需要的数据。

r = requests.get(url + str(num)) # 解析
soup = BeautifulSoup(r.text, 'html.parser')
body = soup.body # 帖子、浏览、赞，每 3 个一组

human_readable_number = body.find_all('span', attrs={'class': 'human-readable-number'})
for item in human_readable_number:
    list_tiezi_liulan_zan.append(item.get_text())

关于数据储存，我是直接用 scv 格式了(3389 rows × 10 columns)，至于数据库，等我学习一波 MongoDB 之后再来重新搞一搞。

def save(file_name, data_list):
    with open(file_name, 'w') as f:
        writer = csv.writer(f)        
        for data in data_list:
            writer.writerow(data)

清洗整理

对爬下来的数据进行清洗和整理是另一个吃力不讨好的活，无用数据的删除，数据格式的整理，以及对数据进行二次加工，都是费脑子的事情。不过整理好的数据，每看一眼就很有成就感啊。

分析汇总

除了 DataFrame 的合并（ merge ），还涉及到重采样（ resample ）、分组聚合（ groupby ），以及时间轴本身的处理，都是一些常规的东西（然而我还是要时不时翻翻书才会做，嚯嚯嚯）。

数据可视化

一共爬取 3389 个主题帖，其中 19% 带有策略分享，10% 带有研究分享。每个主题帖平均被浏览了 1777 次（中位数 633 次），得到 5.5 个跟帖。在那些带有策略分享或研究分享的策略中，平均每个分享被克隆 73.3 次（注意下图中的克隆次数是除了所有的主题帖个数）。

社区共有两篇帖子浏览量超过十万，分别是《小伙伴们，你最希望 Ricequant 加入什么样的功能呢？》和《 [高收益低回撤] [止损] [夏普率 4.0 ] 改进版小盘股策略》，top50 均超过 1.5 万次浏览：

跟帖量 top50 如下：

至于克隆次数，不得不说社区大神很多，动不动就几百上千次克隆了。其中 top3 分别是《 [期货] 商品期货跨品种套利研究——稳住！》，《 [高收益低回撤] [止损] [夏普率 4.0 ] 改进版小盘股策略》,以及《 Graham number 格雷厄姆数字价值投资法》。top50 如下：

词云

使用 wordcloud 和 jieba 对帖子的标题进行了分词，然而水平太差，做不出好看的图来，将就下：

import jieba
from wordcloud import WordCloud
import matplotlib.pyplot as plt
# Read the whole text.

text = ''
for item in data['title']:
    text = text + item

wordlist_after_jieba = jieba.cut(text, cut_all = True)    
wl_space_split = " ".join(wordlist_after_jieba)
wordcloud = WordCloud(font_path="WawaTC-Regular.otf",background_color="black",width=2000, height=2000, margin=2).generate(wl_space_split)

plt.imshow(wordcloud)
plt.axis("off")
plt.show()

来看看社区的发帖量，按周合计，comment 指跟帖量，discussion 指主题帖量：

再看看回测分享（ share1 ）和研究分享（ share2 ）：

彩蛋

爬取了帖子的发帖时间之后，统计了一下社区发帖的时间分布：

结语

三天的成果大概三分钟就能浏览完了，想想代价还是挺高的。从爬取、存储、清洗、整理、分析，一直到可视化。杂七杂八的东西都可以使用 Python 来完成，也甚是有趣。