爬取 Stackoverflow 100 万条问答并简单分析
作为一个热爱编程的大学生,怎么能不知道面向 stackoverflow 编程呢。
打开 stackoverflow 主页,在 questions 页面下选择按 vote 排序,爬取前 20000 页,每页将问题数量设置为 50,共 1m 条,(实际上本来是想爬完 13m 条的,但 1m 条后面问题基本上都只有 1 个或 0 个回答,那就选取前 1m 就好吧)
实际上用数据库去重后只有 999654 条问答信息
对爬取数据进行简单分析
votes 分析
降序排列了 votes 数,生成折线图
Votes折线图
2k 后的问题的 votes 数基本上就已经在 400 以下了,接着后面的就基本上是贴地飞行了 votes 数最多 : Why is it faster to process a sorted array than an unsorted array?
votes 数的连续分布情况
votes甘特图
可见最多的还是集中在 1-2K 之间,从 6k 开始基本上就断层了
具体数据
description |
count |
---|---|
votes >= 500 |
1630 |
votes >= 400 |
2325 |
votes >= 300 |
3782 |
votes >= 200 |
7062 |
votes >= 100 |
19781 |
如果以 100 为分界线的话,会得到这样的一个饼图
大于 100 的连 %2 都不到
再来看看底层的数据
description |
count |
---|---|
1 <= votes <= 5 |
211804 |
6 <= votes <= 10 |
430935 |
11 <= votes <= 15 |
136647 |
16 <= votes <= 20 |
64541 |
votes <= 20 |
843927 |
可见 votes 小于 20 的,数量高达 84m
看看总体的比例吧
answer分析
降序排列了 answers 数,生成折线图
很明显 3k 之后的 answers 数基本上就小于 20 了 answers 数最多: What is the best comment in source code you have ever encountered?
answer数的连续分布情况
answers甘特图
150 后也就断层了,实际上能达到这样的回答数极少
具体数据
description |
count |
---|---|
answers >= 5 |
218059 |
answers >= 10 |
34500 |
answers >= 20 |
3808 |
answers >= 30 |
968 |
大于 30 的确实少的可怜,看看总体情况
views 分析
降序排列了 views 数,生成折线图
views折线图
最高达到了 4.5m,100000 以后的基本上就不足 28000 了 views 数最多: How to undo last commit(s) in Git?
views 数的连续分布情况
views甘特图
具体数据
description |
count |
---|---|
views >= 5000 |
486466 |
views >= 10000 |
315576 |
views >= 20000 |
171873 |
views >= 50000 |
59363 |
views >= 100000 |
22224 |
views >= 200000 |
7030 |
大部分问答的 views 数还是集中在 20000 以内 还是得看看总体分布
再看看 votes,views,answers 三者的散点图对应情况
votes - views
votes - answers
views - answers
views-answers散点图
总的来说,这三者对应关系类似于一个金字塔。三个图基本上都是左下角靠近原点的区域被填满,也就是说绝对大部分的问题的 votes,answers 和 views 都是属于最下层的。高质量活跃的问题是处于金字塔顶端的。三者的最高数好像也没特别明显的对应关系,且三者的最高数都不是同一个问题。
根据所有问题的 tags 提取出总量前 200 的关键词(前 50 条如下),第 1 名是 c#,python 排在第 5
('c#', 94614),
('java', 93244),
('javascript', 76722),
('android', 69321),
('python', 62502),
('c++', 58173),
('php', 42596),
('ios', 37773),
('jquery', 37405),
('.net', 36180),
('html', 28536),
('css', 26174),
('c', 24699),
('objective-c', 23253),
('iphone', 22171),
('ruby-on-rails', 20143),
('sql', 19171),
('asp.net', 18060),
('mysql', 17559),
('ruby', 16397),
('r', 15670),
('git', 13139),
('linux', 13080),
('asp.net-mvc', 12857),
('angularjs', 12606),
('sql-server', 12473),
('node.js', 12212),
('django', 11576),
('arrays', 11006),
('algorithm', 10959),
('wpf', 10631),
('performance', 10619),
('xcode', 10613),
('string', 10426),
('windows', 10132),
('eclipse', 10117),
('scala', 9942),
('regex', 9685),
('multithreading', 9601),
('json', 9266),
('swift', 8950),
('c++11', 8939),
('haskell', 8823),
('osx', 8159),
('visual-studio', 8140),
('html5', 7627),
('database', 7567),
('xml', 7478),
('spring', 7464),
('unit-testing', 7253),
('bash', 6825)
这样看好像不太直观,所以就把它根据词频生成了词云
因为是用 Python 写的爬虫,所以重点来分析下 Python 类的问答
votes 数前 10
- 6162 : What does the “yield” keyword do in Python?
- 3529 : What is a metaclass in Python?
- 3098 : How do I check whether a file exists using Python?
- 3035 : Does Python have a ternary conditional operator?
- 2620 : Calling an external command in Python
- 2605 : What does if name == “main”: do?
- 2194 : How to merge two Python dictionaries in a single expression?
- 2123 : Sort a Python dictionary by value
- 2058 : How to make a chain of function decorators?
- 1984 : How to check if a directory exists and create it if necessary?
answers 数前 10
- 191 : Hidden features of Python [closed]
- 87 : Best ways to teach a beginner to program? [closed]
- 55 : Favorite Django Tips & Features?
- 50 : How do you split a list into evenly sized chunks?
- 44 : Calling an external command in Python
- 43 : How can I represent an 'Enum' in Python?
- 38 : How to merge two Python dictionaries in a single expressions
- 38 : Finding local IP addresses using Python's stdlib
- 37 : Reverse a string in python without using reversed or [::-1]
- 37 : How do I check whether a file exists using Python?
views 数前 10
- 2121621 : Parse String to Float or Int
- 1905938 : Using global variables in a function other than the one that created them
- 1888666 : How do I check whether a file exists using Python?
- 1827126 : Calling an external command in Python
- 1699574 : Converting integer to string in Python?
- 1686230 : How do I read a file line-by-line into a list?
- 1682307 : Iterating over dictionaries using 'for' loops in Python
- 1569205 : How to get the size of a list
- 1554755 : How do I install pip on Windows?
- 1515505 : Finding the index of an item given a list containing it in Python
三者的前 10 中有 2 个问题是完全重叠的,分别是
- How do I check whether a file exists using Python?
- Calling an external command in Python
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法
- python-利用python写一个购物小程序
- Java技巧收录一 那些你相见恨晚的快捷键和代码注释模板
- Educational Codeforces Round 81 (Rated for Div. 2) C.Obtain The String
- 深入了解 webpack 模块加载原理
- Java中的数字类解析(包括格式化数字、大数运算等等)
- 数据挖掘领域十大经典算法之—K-邻近算法/kNN(超详细附代码)
- 洛谷 P1019 单词接龙
- SpringBoot 将自制的Starter 发布到远程公服
- 【分享】优化rootfs的大小
- PAT (Advanced Level) Practice 1099 Build A Binary Search Tree (30 分)
- 前端国际化辅助工具——自动替换中文并翻译
- Codeforces Round #613 (Div. 2)A. Mezo Playing Zoma
- PAT (Advanced Level) Practice 1096 Consecutive Factors (20 分)
- Codeforces Round #613 (Div. 2)B. Just Eat It!
- java线程池(六):ForkJoinPool源码分析之二(WorkQueue源码)