基于豆瓣哈哈哈哈哈哈小组的数据分析研究

最新推荐文章于 2025-04-14 09:30:31 发布

AKA_Kka

最新推荐文章于 2025-04-14 09:30:31 发布

阅读量5.7k

点赞数 6

文章标签：数据挖掘数据分析自然语言处理

本文链接：https://blog.csdn.net/Captain_F_/article/details/104460629

版权

纯属兴趣研究，曾发于豆瓣哈组。

豆瓣哈组爬虫地址：https://github.com/Captain-F/DoubanHahahaScraper

摘要：本文对豆瓣哈哈哈哈哈哈小组建组以来的帖子进行数据分析，挖掘好哈的帖子所具有的特征，并进行关联分析，发现好哈的帖子长度不宜过长，需要有配图，并且插图数量适中。同时，本文还对帖子进行了其他数据分析。

关键词：快乐；哈哈哈；数据分析

1. 引言

“哈哈哈哈哈”不仅是一种大笑、一种快乐，还是我们在工作中释放压力、生活中排解和缓解负面情绪的一种直接和有效的方式。当前，普通民众受新冠病毒的影响，基本都宅在家中，生活会比较单调、乏味和无聊，而一些能够让人“哈哈哈哈哈”的帖子既能够给大家带来快乐，也能舒缓因疫情影响而紧绷的神经[1]。回想当初入组时的申请理由，“我想生活中能够多一些哈哈哈哈哈哈”。入组后，笔者在哈组中确实收获了不少快乐。但秉着“共同哈哈哈哈哈”的想法，在自己快乐的同时，也要给别人带来快乐。笔者给哈组贡献了零星的帖子，但似乎让其他的哈er收获不到快乐，还是有那么点的小小的难过（哈哈哈）。基于自身研究方向，笔者想着，什么样的帖子最能让大家欢乐？这样的帖子又有什么样的数据特征呢？在本文中，笔者对建组以来的帖子进行了数据分析和可视化研究。

本文的其余部分安排如下。第二部分描述了本研究所用的方法。第三部分则是实验结果与分析。第四部分是总结与展望。

2. 方法

本文所用的方法可分为两个部分，分别是数据采集和数据分析。总的来说，本哈er首先写了一个爬虫代码，爬取了自建组以来的所有哈贴，生成csv表，并对其进行去重。之后，利用自然语言处理和数据可视化方法，对过滤后的数据进行不同维度的分析。

3. 数据与结果分析

3.1数据

笔者爬取了从2018年6月6日（哈组第一帖）到2020年2月1日时间段内所发的所有哈贴。爬取的字段包括：发帖时间、帖子名称、帖子内容、回帖内容、回应数、帖子中图片数、发帖用户id、发帖用户名称、帖子url，共计八个字段。其中，回帖的内容指用户对帖子的直接回复，用户对某个的帖子的评论进行回应，不记录回应内容中。帖子中图片数指，用户在帖子所插入的图片或gif图数量的总和。最后，共爬取1, 923, 224条帖子及回应，经过过滤，共获得1, 920, 647帖子及回应。其中，帖子数为81, 947，回应数为1, 838, 700.

3.2结果分析

3.2.1 哈帖内容分析

图1是对哈帖内容的进行展示的词云图。从图中可以看出，“哈哈哈”甚是显眼，充分体现了组内的发帖核心思想。

图1 哈帖词云图

3.2.2 什么样的帖子会比较好哈？

哈哈哈哈哈组发的帖子，都以文本、图片（gif）或文本结合图片的方式为主。那么好哈的帖子和文本长度、插入图片数会有什么相关关系呢？从图2的散点图可以看出，好哈的帖子多集中在字符长度为0~1000的帖子中，且当帖子字符增多，回应数总体呈下降的趋势。

图2 帖子长度同回应数之间的散点图

从图3的散点图可以更明显的看出，好哈的帖子多集中在[0, 50]区间的左半区，且当帖子的配图数逐步增多，回应数总体呈下降趋势。

图3 插图数量同回应数量关系图

在文本，图片以及文本结合图片这三种发帖方式中，哪种方式的发帖会更流行呢，获回应数也更多呢？从图4中可以看出，以图片为发帖方式的占比最大，其次是文本加图片，最后是文本。但是发帖获得回应数这一指标来看，文本加图片的发帖方式更受用户青睐，其次是图片，最后是纯文本。从可哈性的角度来说，以文本结合图片或者图片的方式发帖，更容易让大家快乐起来。