图书交流数据集分析

‍数据集介绍：本数据集由Cai-Nicolas Ziegler收集，他对图书漂流社区进行了四周（2014年8月和9月）的数据爬行。该数据集包含278858个用户对271379册图书的1149780个评分。

数据集的网页地址：http://www.datatang.com/data/45481/

由于数据集的质量不高，需要对数据进行预处理。可先用Excel处理数据，调整数据集的格式并删除错误的数据行，随后用R语言加载数据。由于Excel2010最大只能支持1048576行，当数据集的行数超过这个限制后，可用Access加载数据，同时我们需要用Access对数据集中的三张表进行联结。

 

1、分析人群的年龄

 

               从以上两张图片可以看出，读书人群的年龄主要集中在20～40之间，且呈偏态分布。

 

2、统计各国读书人群的数量

由于数据集包含了很多国家，不利于作图，因此只选择了排名靠前的12个国家。

        可以看出，美国的读者人数最多。同时我们发现，母语为英语的国家占了很大的比重。一方面可能与人口基数有关；另一方面，我们可以猜想，在数据爬取的过程中可能优先选择了英语国家，造成了数据的有偏性。总之，在这里，我们不能妄下结论。

 

3、统计各类评分的数量

        

        可以看出，很多图书没有得到评分（0分），在得到评分的数据里，评分主要集中在7～10分，而1～4分的数据很少。