Python模型分析B站优质up主！这些人的视频能学到不少东西！

不管前浪还是后浪 ，能够浪起来的才算是好浪。

相信大家最近都被号称“浪里白条”的b站刷了不止一次屏。这次咱们先不谈价值观，主要从数据的角度，扒一扒让b站能够在浪里穿梭的资本——优质UP主。

本文在RFM模型基础上做了调整，尝试用更符合b站特性的IFL模型，找到各分区优质up主。整个过程以分析项目的形式展开，最终附上了完整源数据和代码，方便感兴趣的同学练手。

项目概览

分析目的

对2019年1月~2020年3月发布的视频进行分析，挑选出视频质量高，值得关注的up主。

数据来源

分析数据基于 bilibili 网站上的公开信息，主要爬取了以下数据维度：

2019年1月~2020年3月，科技区播放量过5w视频的 分区名称、作者名称、作者id、发布时间、播放数、硬币数、弹幕数、收藏数、点赞数、分享数、评论数， 共计50130行。

源数据下载链接

完整数据 源和代码 链接：https://pan.baidu.com/s/1RIxOxh-TFMey9sGvZLVuJg 提取码：bhh2

数据概览

视频信息表：

coins：投硬币数

danmu：弹幕数

favorite：收藏数

likes：点赞数

replay：评论数

share：分享数

view：播放量

各字段数量：

缺失值数量：

数据清洗

   删除空值

df = df.dropna()

df.info()

共删除了19行数据，剩余50111行数据

  删除重复值

df = df.drop_duplicates()

df.info()

删除了1312行重复的数据，剩余数据量48799行

提取所需关键词

df = df[['分区', 'author','date','coins','danmu','favorite','likes','replay','share','view']]

df.head()

构建模型

RFM模型是衡量客户价值和创利能力的重要工具和手段。通过一个客户近期购买行为、购买的总体频率以及消费金额三项指标来