抖音数据分析

数据来源

1. 抖音40天内的数据交互记录,一行数据就是一个播放记录 

2. 近600w条数据

分析目的

抖音是一个面向全年龄的音乐短视频社区平台。目前用户众多，有不少人都成为了网红，聚集了大量粉丝。在此希望能看出一些他们之间的共性，帮助后来人少走一些弯路。并结合实际观察抖音运营存的现状，提出一些建议。  

字段说明

 - uid：用户id
 - user_city：用户所在城市
 - item_id：作品id
 - author_id：作者id
 - item_city：作品城市
 - channel：观看到该作品的来源
 - finish：是否浏览完作品
 - like：是否对作品点赞
 - music_id：音乐id
 - device：设备id
 - time：作品发布时间
 - duration_time：作品时长

数据库导入

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 设置字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus']=False     # 正常显示负号

数据清洗和处理

数据获取：

data = pd.read_csv('douyin.txt')
print(data.head())

print(data.shape)  # (5886702, 12)
print(data.info())

结果： 

 是否存在空值：

print(data.isnull().sum())

是否存在重复数据：

print(data.duplicated().sum())  # 4924
data.drop_duplicates(inplace=True)
print(data.shape)  # (5881778, 12)
# 重置索引
data.reset_index(drop=True, inplace=True)

 把-1替换成空值：

data.replace(to_replace=-1,value=np.nan, inplace=True)
print(data.isnull().sum())

# 去掉空值
data.dropna(axis=0, inplace=True)
# 重置索引
data.reset_index(drop=True, inplace=True)
print(data.shape)

去掉不必要字段：

data.drop(labels='device', axis=1, inplace=True)
print(data.info())

 转换时间格式：提取日期和时间

import time
real_time = []
for i in data['time']:
    # 将时间转换成日期格式
    my_time = time.strftime('%Y-%m-%d %H:%M:%S', time.localtime(i))
    real_time.append(my_time)

data['real_time'] = real_time

print(data.head())
print(data.info())

将real_time转换成时间类型，目的就是为了更好的去提取出日期和时间（时间对于分析更有意义）

data['real_time'] = pd.to_datetime((data['real_time']))
data.info()

结果： 

将日期和时间分别提取出来 

data['H'] = data.real_time.dt.hour
data['date'] = data.real_time.dt.date
data.head()

结果： 

删除time字段

data.drop(labels='time', axis=1, inplace=True)
data.info()

 数据分析

分析步骤：

1.抖音98.52%的流量都会流向算法推荐视频，获得算法推荐是获得更多播放的关键所在。  

2.最重要的始终是题材的选择，初始流量池大更容易获得算法青睐。  

3.除去题材外，投稿的最佳时间日常是在0-5点，有平台活动一定要参与。  

4.视频时长最好在7-10s，其次是0-6s及23s以内，最长也不建议超过40s。  

5.背景音乐最好选择当下最流行的歌曲。

a.抖音播放量的来源分布

b.视频时长与点赞率之间的关系
    1.作品时长与播放量之间的关系
    2.作品时长和作品数量之间的关系
    3.作品时长和完播率之间的关系
    4.作品时长和点赞之间的关系

c.背景音乐与点赞和完播率之间的关系
    1.热门音乐ID
    2.热门音乐的点赞率与完播率

抖音播放量的来源分布：

channel = data.groupby(by='channel').count()['uid']
print(channel)

结果：

作品时长与播放量的关系：

duration = data.groupby(by='duration_time').count()['uid']
print(duration)
plt.plot(duration)
# 限制x轴的大小
plt.xlim(0, 50)
plt.ylabel('播放量')
plt.title('作品时长与播放量之间的关系')
plt.show()

结果：

作品时长和作品数量的关系：

duration_nums = data.groupby(by='duration_time')['item_id'].nunique()
print(duration)

# nunique()  对去重以后的数据进行个数统计
plt.plot(duration_nums)
# 限制x轴的大小
plt.xlim(0,50)
plt.ylabel('作品数量')
plt.title('作品时长与作品数量之间的关系')
plt.show()

结果：

作品时长和完播率的关系：

duration_finish = data.groupby(by='duration_time')['finish'].mean()
plt.plot(duration_finish)
# 限制x轴的大小
plt.xlim(0,120)
plt.xlabel('作品时长')
plt.ylabel('完播率')
plt.title('作品时长和完播率之间的关系')
plt.show()

结果：

作品时长和点赞行为的关系：

duration_like = data.groupby(by='duration_time')['like'].mean()
plt.plot(duration_like)
# 限制x轴的大小
plt.xlim(0,50)
plt.xlabel('作品时长')
plt.ylabel('点赞')
plt.title('作品时长和点赞之间的关系')
plt.show()

结果：

 观察结果：

1.大部分作品分布在0-13S中， 总体来说0s-23s之间都有一定数量的投稿,23秒之后就比较少了
2.播放量的分布与作品数量成完全正相关
3.完播率0-47s内总体在40%左右，47s之后开始剧烈波动，无可参考性
4.点赞率0-22s内总体在1%左右，22s之后开始剧烈波动，无可参考性

背景音乐与点赞和完播率的关系：

music = data.groupby('music_id').count()['finish']
print(music)
plt.plot(music)
# 限制x轴的大小
plt.xlim(0, 125)
plt.xlabel('音乐ID')
plt.ylabel('完播率')
plt.title('音乐ID和完播率之间的关系')
plt.show()

结果：

排名前十的热门音乐ID

tip10_music = data.groupby('music_id')['uid'].count().sort_values(ascending=False).iloc[:10]
print(tip10_music)

发布作品的时间和播放量之间的关系：

time_plays = data.groupby(by='H')['uid'].count()
plt.plot(time_plays)
plt.show()

结果： 下午三点到凌晨5点的播放量较高

发布作品的时间和点赞行为的关系：

time_plays = data.groupby(by='H')['like'].count()
plt.plot(time_plays)
plt.show()

结果：下午三点到凌晨5点的点赞行为较多