【大資料實戰】：知乎百萬使用者分析

背景

這幾天，同僚都去出差，稍有感冒的我提前在辦公室感受到了“孤獨終老”的恐懼。

于是，我想在自己有能力并且還有激情的時候，去做一些以後值得回憶的事。我萌生了去“探望”下知乎的念頭。

前言

我個人是15年注冊知乎，三年過去了，我個人首頁資料是：

我一直不喜歡知乎上面的氛圍，但是通過知乎我确實拿到了很多學習、設計、閱讀和産品靈感的資源，都是通過知乎連結到其他平台；在此也感謝這個平台給每一個求知者帶來的幫助和啟發。這次我将利用知乎使用者的資料，從資料分析的角度，以使用者、區域、行業、專業、大學、喜歡數、粉絲數和性别為交叉對比展開分析，因為我迫切想知道，那些大 V 從哪來，做了什麼事，是個什麼背景等等像打了馬賽克一樣的資訊。下面我們一一展開。

我自己整理的一份最新的大資料進階資料和進階開發教程，大資料學習群：522189307   歡迎進階中和進想深入大資料的小夥伴加入。

資料

直接爬取知乎的使用者資料，包括ID、粉絲數量、工作資訊、回答數量、文章數量等等。

部分資料不完整，gender 列中“1”表示男，對應的“0”就是女啦。

這些使用者的分布區域是什麼樣的

拿到這些資料，我一開始不關注使用者的性别，我知道，這個參考價值并不高，因為，我在一些社群都會在性别那一欄填上“女”。

于是， 根據使用者的地域資訊，得到如下這張圖

氣泡大小表示資料多少，很明顯北京和上海的使用者是最多的，這個地區分布有着什麼樣的潛在含義？讀者可以思考下這個問題，後面的分析會給出答案。

使用者分布區域決定這個區域的回答數量嗎

其實在做下面這張圖之前，我的猜想的答案是肯定的，很明顯嘛，哪裡人多，自然而然的就會回答多一些，但是我注冊知乎後的個人資料又說明存在特例：有的使用者都不喜歡回答。帶着疑問我做了下面這個分析，看看這些區域的同學是不是平常貢獻答案最勤快的。

這個圖幾乎和上面的完全吻合，用這個圖來說明“我的猜想是正确的”并不合适，但是用這個圖來打消你心中對這個猜想準确性所産生的疑慮，應該足夠了。

使用者都來自哪些大學

我乍一看這個圖，我就知道資料有問題，雖然學校的排名與上面地域占比的關系吻合（清華、北大排第一第二與北京使用者最多符合常識）的，但是整體資料量太小了，我回頭看一下原始的資料，我發現“學校”這個字段下面的值都大多都是“Null”，在處理做圖的時候預設過濾空值。發現這個之後，比較慶喜，至少這展示出來的部分資料真實性很高，因為不想公開自己大學的使用者可以直接不填（也就是Null）而不會出現不是北大填北大的現象；如果有，那這樣的人，我們忽略他吧。

哪個大學的使用者貢獻的答案最多

我們都知道，知乎是一個問答社群，貢獻自己的回答，來幫助他人，從知識的領域，将雷鋒精神發揚光大。那麼哪個學校的使用者總體回答數最高呢？

最喜歡回答問題的使用者大多來自武漢大學，緊據第二的是複旦大學，前四名被武漢和上海兩個城市占據。

這個時候也許你和我一樣，那使用者數占據最多的北京大學呢？我個人現在的解釋是：知乎總部位于北京，在平台冷啟動之初，種子使用者的大學這個字段的值都是“北京大學”，那批使用者開始塑造社群氛圍後，後面就“隐居山林”了，如李開複博士；是以後面使用者量大起來，發言次數每排上榜就是正常的啦。

使用者粉絲的多少與哪些因素有關

這是知乎使用者的粉絲排行榜,這張圖給我的疑問太多太多

是不是回答的數量越多，粉絲越多呢？

是不是獲得感謝越多，粉絲越多呢？

是不是文章寫得越多，粉絲越多呢？

…

帶着這些疑問，我做了如下這張圖，根據分析結果，上面這幾個疑問的答案就不言而喻了

并不是回答和文章次數越多，粉絲就越多，這也提醒大家，産出高品質的答案和文章，比高數量的答案和文章更有價值，更能得到别人的關注，多沒用，要好才行。

有意思的專業

談到寫文章，我就想看看這些平常喜歡寫作的同學都是學的什麼專業

諸多默默奉獻文章的高尚之士，都選擇隐藏專業，在可分析的次元上，軟體工程的同學摘得桂冠。中間這個“修地球專業”的文章我猜想是同一個人的貢獻，因為這個專業名字除了他，應該沒人想得出來233333

舉一反三，我又得到了以下這張分析圖，看來付出和回報是成正比的，你付出的越多，得到感謝就越多，這個世界還是很公平很美好的。差不多有200萬的使用者關注了“經濟學”專業的同學，看來在比誰錢多的時代，經濟方面文章和知識是個值得補充和提高的，大部分人在這塊有極大的需求…在計算機科學專業方面的回答比肩軟體工程專業，原來程式員哥哥除了不喜歡洗頭，還是有很多優點的，比喻“樂于助人”。

那些經常提問的同學都來自哪個行業領域

還記得開篇的時候讓大家思考的那個問題嗎，如果你還沒來得及思考，你現在可以再回頭看一下~

在“網際網路”行業，獲得感謝接近13M，獲得了900k的回答…

現在我們來看看開篇中的那個問題

上面的分析我們清楚的得到，使用者普遍來自北京上海；而這張圖可以看出，知乎上的使用者在網際網路這塊的産出和關注度非常高，那就很好解釋了：這群來自上海和北京的知乎使用者，由于上海和北京網際網路發展最快最發達，導緻他們普遍比較關注網際網路這一塊。網際網路之都：北上廣深，（後面發展較好較快的還有杭州、南京、成都、武漢等等）關注和從事網際網路的幾乎都在這個四個城市，那麼前後這兩個看似沒有任何關聯不同次元的資料，恰巧有着天衣無縫的吻合。

開始我本來想直接檢視個使用者的職位性質來直接說明這個，但是我覺得單純以一個在“注冊”和“完善資料”步驟中填寫的一個職位來說明這個有點牽強和草率，是以後面我換了一種思維，我想從使用者關注的點，以及知乎上面的問題和回答所呈現的資料反推“所在的地域決定了大的環境，環境影響人關注的行業和領域”這一點，這樣也顯得更加嚴謹和科學。

下面是使用者職位的分析（去除空值null後的）

其實職位不用分析也知道是這個情況。其中“創始人、合夥人、聯合創始人”等都可以當作“創始人”；“産品經理、PM，産品，産品設計師”等都可以歸納為“産品經理”，“創始人”和“産品經理”這兩個職位和“網際網路”這三個字凝固得非常緊，而且不是這個行業的從業人員高度關注這個行業貌似也說不過去，去問或者去回答這塊的問題就更扯了…

首次發言的潛在寓意是什麼

仔細看上面資料 excel 截圖的同學應該發現了，其中有個字段是”first_answer”，這個字段很有用

這是爬取的使用者當中，首次回答的使用者數量在以年為次元上的走勢，（很多使用者的 first_answer 我不知道為什麼沒有爬到~）首次回答和什麼有關系？當然是注冊時間啊，任何一個産品在使用者首次注冊的時候，新鮮感和活躍動力是最強的，如果在開始注冊之際這個使用者就沒有參與平台的互動，我們大可以斷定這個使用者已經沉澱或流失。我們假設知乎上面的使用者在注冊的時候就開始去回答别人的問題（可能有一兩天甚至一兩周的時間差，但是在以年為次元，可以忽略），那麼 first_answer 可以轉換為注冊時間，而注冊時間可以反觀一個平台的推廣力度和營運力度，那麼有了這個思路，我們再看上面的圖

從10年到11年，幾乎垂直上升，說明在這個時間段，有大量的使用者注冊。事實是，知乎是10年末期開放邀請注冊的，那麼此期間使用者劇增，理所當然

從11年到12年，有下降，說明在産品形成初期，有一定的使用者基數後，注冊遇到了瓶頸，在知乎社群活躍的幾乎都是老使用者，是以沒有新使用者，不存在首次回答，于是，出現了下降

從12年到14年，再次出現峰值，說明又有大批使用者注冊，去翻知乎的發展史可以看到，這個時間段，知乎取消以往的邀請注冊，開放公衆注冊，那自然而然會出現使用者暴增了

之後的幾年都是下降，如果讀者是網際網路從業或者關注這塊的資訊，你應該已經想到這是産品的使用者瓶頸到了，一個平台的使用者天花闆隻有這麼高，當沒有新使用者注冊并且參與活躍，first_answer 這個字段就沒有意義了，是以到了16年，首次回答的使用者非常低，說明，這個平台的新使用者增長低，甚至沒有

這是從 first_answer 得出的分析，那麼你能根據 last_answer 得出什麼結論呢？

總結

有時候從資料分析去反推事實很有意思，這大概也是資料産品最迷人的地方吧。以後的一段時間，我将爬拉鈎、爬新浪、爬大衆點評、爬物流等一系列平台的資料，來和大家一起分享資料産品經理的樂趣和日常，感興趣的朋友，歡迎一起交流！