我和关注我的前1000个粉丝“合影”啦，收集前1000个粉丝进行了一系列数据分析，收获满满

我们都知道在CSDN平台上博主与粉丝的互动是非常少的，不像B站抖音这些平台，CSDN粉丝数点赞数等数据相对非常低，这些现象产生的主要原因必然是因为平台的性质不同，面向对象不同。B站抖音偏娱乐休闲，大家自然更原因花多的时间在这上面，而CSDN作为一个学习平台，在数据量上很自然是比不过他们的（讲道理，有多少人喜欢学习胜过休闲娱乐呢）。

而我个人认为不仅仅是因为CSDN是一个学习平台，博主与粉丝相互之间缺少了解也占了很大一部分原因，这一点很难否认，因为相比于陌生人，大家都更愿意给有相识基础的人点赞。而同样的只有更了解受众的情况，博主才能更好地同粉丝进行互动。

所以如何才能更好地增加与粉丝的互动呢？从平台性质来看，我自然无能为力，同样我也不能指望着粉丝主动来了解我。所以目前我能做的，就只有试着去了解粉丝咯，了解关注我的人，究竟是什么人才！

注：以下分析使用的方法并不复杂，大家可以当作是我自己的一次小实验。

数据介绍

虽然现在关注我的人早已经超过1000了，但我觉得1000算是一个比较有意义的数字，所以我特意收集了关注我的前1000名朋友的信息，主要有以下两个部分：

1. ID、关注日期
2. ID、码龄、被访问量、原创文章、粉丝数量、点赞数、评论数、收藏数

之所以拆分成两部分呢，主要是因为这两部分收集的来源不同。

第一部分来源于：

收集到的数据如下所示：

第二部分来源于：

收集到的数据如下所示：

诶，如果我从粉丝页面收集了前1000个人的信息，那我从关注页面收集前1000个人的信息会是一样的吗？？

答案是：NO!

因为有人脱粉了！！！（过分！）

这里可以先跟大家讲的是，我收集到的1081个关注信息中，有1000个粉丝关注着我，也就是说在这期间有81个粉丝“弃我而去”（文末我会“隆重介绍”他们）。

介绍完数据后，接下来我们就正式对这些数据进行分析啦！

从1到1000，我花了多长时间

具体计算方法如下：=MAX(B2:B1082)-MIN(B2:B1082))

如图，从第一个关注我的人，到第1000个粉丝，我用了586天的时间。其中最早有粉丝关注是在2019/12/22，第1000个粉丝的关注日期则是在2021/7/30。

第1个和第1000个关注我的粉丝

因为获取的时候是按关注顺序来收集的，所以得到结果比较简单。

在这里先要感谢一下我的第一个粉丝Kingforwise，万事开头难，有了第一个才会有第二个，所以我非常感谢Kingforwise这位朋友，感谢你的支持！

那么同时也要感谢l66yyy，非常刚好是我的第1000个粉丝，幸运！

粉丝数与日期之间的关系

从上图可以看到，我的粉丝增长主要是在今年才猛增的（毕竟今年更的比较多博客哈哈）

粉丝的码龄分布情况

说明：码龄不足1年的这里统一用0.5代替。


从在这里可以看到，关注我的朋友大多是码龄1-4年的，其中码龄最高的为21年。

粉丝的被访问量分布情况

由上图可以看到绝大多数粉丝的被访问量都为0。

我筛选出访问量小于200的数据做一个直方图，如下所示：

粉丝的被访问量分布情况

由上述图也不难发现，绝大多数朋友也不发博客。

粉丝的粉丝数量分布情况

从上图我们同样可以发现，绝大多数粉丝也是没有粉丝的，而其中只有两个粉丝的粉丝量破千，其中最高为1975。

粉丝的被点赞评论收藏数分布情况

其实从上述图片中我们同样不难发现，绝大多数朋友（93%以上）的数据都是0，而从点赞数和收藏数的平均值和分布情况来看，很明显的是大家都是经常被人白嫖的，这个结论似乎一点都不让人感到意外。

献给脱粉的朋友

谨以此图，献给脱粉的朋友，感谢曾经“相识”，我们有缘江湖再见。

以下是实现的Python源码。

# -*- coding: utf-8 -*-
import datetime

import pandas as pd
from wordcloud import WordCloud

today = datetime.datetime.today()

subscribe = pd.read_csv('./subscribe.csv',encoding='gb18030', header=0)
fans = list(pd.read_csv('./fansInfo.csv',encoding='gb18030', header=0)['ID'])

love_friend = []
# 距今超过300天的ID只添加一次，100-300的添加两次，其余添加3次。
for i in range(len(subscribe['ID'])):
    date = datetime.datetime.strptime(subscribe['关注日期'][i], "%Y/%m/%d")
    diff = (today - date).days
    if subscribe['ID'][i] not in fans:
        love_friend.append(subscribe['ID'][i])
        if diff < 300 and (today - date).days > 100:
            love_friend.append(subscribe['ID'][i])
        if diff <= 100:
            love_friend.append(subscribe['ID'][i])
            love_friend.append(subscribe['ID'][i])

res = ' '.join(love_friend)
# 生成词云
wc = WordCloud(
    font_path='simkai.ttf',
    background_color='white',
    width=600,
    height=600,
    max_font_size=50
)
wc.generate(res)
wc.to_file('res.png')  # 图片保存

我与粉丝的“合影”

哈哈哈，虽然想说越早关注的人字越大，但好像已经没有什么关系了，都看不到。

总结

• 从粉丝们关注我的时间来看，确实我是在今年，尤其是今年暑期开始，迎来了粉丝迅速增长的时期，这里主要原因是因为我在暑假期间开始疯狂写作，目前我五十多篇博客中有大概三分之二的博客就是诞生于这个期间；而在这个期间前，大概是在去年11月份，主要是因为我写了有关智能优化算法的文章，才慢慢的有了最初的粉丝基础。
• 从关注我的这1000个粉丝中不难看出，几乎80%的朋友是不发博客的，从点赞评论和收藏数量来看也有93%以上的人数据基本为0；而从码龄这个数据来看，关注我的群体主要集中在1-4年，从CSDN用户的角度（第一次使用CSDN的人多数是大一时期）可以大致推测，我的粉丝群体多数是在校的大学生，有少数工作多年的粉丝，但确实是少。

上述结果似乎带给我的信息不多，但好歹也算是我更进一步了解到了关注我的人大概是怎样的，这就已经很不错了！

从收集数据到进行数据分析，感受挺多的。虽然数据量少，分析方法简单，但终究分析还是有所收获。因为这次算是一次跟自己生活最贴近的数据分析了，以前分析的项目都是一些远在天边的东西，总和自己搭不了边。即使这次的结果不用去专门收集数据进行分析也能大致猜出来，但并不意味着我的分析就毫无意义。

无论结果，过程更有意义！

CSDN@报告，今天也有好好学习