今天給大家分享一篇Python學習教程：如何用Python檢驗英語學習軟件的學習進度。

• 你想知道背單詞軟件有大概多少人注冊第一天都沒有背完嘛?
• 你想知道背單詞軟件這么火,這么多人在使用,真的有多少人真的在背誦嘛?

別急,Python程序員用數據給你說話.

文章目錄如下:

• 0x00 前言
• 0x01 問題的提出和任務的分解
• 0x02 任務一,信息爬取
• ox03 任務二,清理和存儲
• 0x04 任務三,分析
• 0x05 任務四,結論
• 0x06 整個流程的不足和反思.
• 0x07 代碼.

前兩天,就在一個雷電交加的夜晚,我躺在床上,草草的看了一篇英文文章,突然想到一個非常有意思的問題:

是不是大部分的人做事真的不能堅持呢?比如,背單詞.

好,那我就看看到底有多少人是堅持不下來的?

那么,我們的問題就變成了這樣子:

• 有多少人是在堅持或者曾經堅持過背單詞呢?(假設100天以上算的上是背單詞的話)
• 有多少夢想,毀于不能堅持?
• 背單詞的人們學習的量,是不是符合正太分布呢?

于是我選中了業內的標桿扇貝軟件作為分析的對象.抽取其中的大約1/30的用戶的公開數據,也就是游客用戶都可以看得到的數據,進行抽樣調查.

調查的具體內容如下:

• 打卡最高/成長值最高/學習單詞數量最高
• 平均每個人打卡次數/成長值/學習單詞數量
• 打卡/成長值/學習單詞數量的分布(也就是已經堅持了多少天了)

那么,我的任務也就可以分解如下:

• 爬取數據
  • 使用Python2的Scrapy進行爬站
• 清理數據
  • sql語句和pandas運算
• 分析數據
  • pandas + seaborn + iPython book
• 得出結論

每個用戶的信息都在這里:

http://www.shanbay.com/bdc/review/progress/2

使用beautifulsoup4 進行解析即可.其他部分參考代碼.

扇貝的工程師反爬蟲做的還不錯,主要有兩點:

• 訪問數量超標,封禁IP半個小時.對應的方法就是代理服務器.(代碼中已經刪除代理服務器,所以,如果你運行不了代碼,那你應該知道怎么做了.)
• cookie如果不禁用很快就無法爬取.對應的方法就是禁用Cookie.

對于數據庫,使用Postgresql存儲就好了.也沒有什么大問題.參考代碼.有問題在評論下面問.

通常情況下在存入數據庫的時候需要進行數據的凈化,不處理也沒有什么大問題.

分析階段,使用IPython notebook. 通常情況下,我們使用的是Anaconda里面的Python3版本 .可以到這里下載,注意,mac和ubuntu下載的是命令行版本.

https://www.continuum.io/downloads

安裝完畢以后,重啟終端.環境變量生效.

切換到指定目錄然后敲入命令iPython notebook打開瀏覽器進行編輯.

至于怎么使用,請看代碼.

在這里省去部分的分析過程直接貼出結論.

總共抓取1111111張網頁,成功獲取610888個用戶的信息.

于是得出結論如下:

扇貝之最:

• 最高打卡天數: ?chainyu 1830天
• 最高成長值: Lerystal 成長值 28767
• 最高單詞數量: chenmaoboss 單詞量 38313

平均到每一個人身上

• 平均每人打卡天數: 14.18,而超過成長平均值的人數為71342,占總抽樣人數的,額,11.69%
• 平均成長值: 121.79,而超過平均成長的人數為13351,占總抽樣人數的,額,11.42%
• 平均學習單詞數量: 78.92,而背超過平均單詞的人數為13351,占總抽樣人數的,額,2.19%(注意,真的是2%左右)

那么,我們來看看打卡,成長值,單詞數量的,分布吧.

第一個,所有人的打卡數量直方圖.

這是所有人的打卡數量直方圖

簡直慘不忍睹.

第二個,非零用戶的打卡數量直方圖.

非零用戶的打卡數量的直方圖

這真是一段悲傷的故事.由于堅持不了幾天的用戶實在是太多,簡直就是反比例函數嘛,導致圖像嚴重畸形.那么,我們只能分段了看用戶打卡天數在0~20,20~100,100~500,500~2000范圍的分布圖了.

分別如下:

0~20

20~100

100~500

500~2000

其他成長值的各種分布也是如此,在此就不貼出來了.

正如你所看到的,我再來總結一下,

在抽樣中:

1. 英語夢死在前0天的有416351人,占總比68.15%;
2. 英語夢死在前1天的有466761人,占總比76.40%;
3. 英語夢死在前2天的有484535人,占總比79.31%;
4. 英語夢死在前5天的有510230人,占總比83.52%;
5. 英語夢死在前10天的有531219人,占總比86.95%;
6. 英語夢死在前20天的有551557人,占總比90.28%;
7. 英語夢死在前50天的有575975人,占總比的94.28%;
8. 英語夢死在前100天的有590700人,占總比96.69%;
9. 英語夢死在前200天的有575975人,占總比98.36%;
10. 英語夢死在前263天的有600875人,占總比98.81%;

你可以大致感受到殘酷的現實,幾乎沒有多少人可以堅持到200天以后.

但是,你還需要注意到的事情是:

抽樣的來源是ID為1~1111111之間的60W成員

眾所周知的事情是:

• 早期的用戶往往質量相對會高一些.而且,注冊的ID越大,證明注冊時間距離現在越近.獲得200天的幾率也就低了不少.

那么,這樣的話,英語夢死在200天之前的人數比例還會大上不少.

回到文章開始:

Q: 背單詞軟件有大概多少人注冊第一天都沒有背完嘛?
A:68.15%

Q:有多少人是在堅持或者曾經堅持過背單詞呢?(假設100天以上算的上是背單詞的話)
A:保守估計,不足3.4%

Q:有多少夢想,毀于不能堅持?
A:不妨干了這碗雞湯,歌唱青春一去不復返.

Q:背單詞的人們學習的量,是不是符合正太分布呢?
A:不是,簡直就是反比例函數.

拋出一個結論:

以絕大部分人努力之低,根本就用不著拼天賦.

贈給你我,共勉.

扇貝的工程師反爬蟲做的還不錯,主要有兩點:

• 訪問數量超標,封禁IP半個小時.對應的方法就是代理服務器.
• cookie如果不禁用很快就無法爬取.對應的方法就是禁用Cookie.

爬蟲框架使用Scrapy,這樣就免去了大量的繁瑣的線程調度問題,直接寫獲取信息的邏輯代碼,以及存儲信息的邏輯代碼就好了.

在編寫爬蟲的過程中,有一些經驗:

• 在爬蟲開啟以后,由于我暴力的關閉,導致還是有不少的item沒有完成請求處理和存儲.
• 我在處理異常的時候忘了應當把失敗的item存放放在文件中,方便我第二次補充,這樣的話就不會丟失一部分的用戶信息了.
• 代理服務器需要自己寫腳本進行測試,否則你可能有很多很多的請求都會超時(畢竟很多代理服務器還是很不靠譜的).

我的分析數據能力并不是很強,僅僅是從CS109里面偷學了一點點,然后使用Seaborn畫圖,但是這整個過程中還是覺得自己分析不過來,不是寫不出代碼,而是不清楚使用什么樣的數據模型進行分析更好.

代碼放在了Github上面,咳咳,注意,沒有把代理服務器放進去.如果你跑一下會發現只能半小時抓取300+頁面,這不是我的問題,是你沒有把代理服務器填好.代碼比較粗糙,還請輕拍.

代碼的地址為:

https://github.com/twocucao/DataScience/

倉庫里包含了抓取網站的代碼和分析數據的IPython Notebook,自己閱讀吧.

如果喜歡本文,就點個喜歡吧.

作者：無與童比
來源：http://www.jianshu.com/p/b57e55cb5941

————開班喜訊————

溫馨提醒：馬哥教育Python自動化開發班將于8月28日在北京海淀上地開班，小班制魔鬼式授課，鉅惠限時搶位中。

馬哥教育2017年Python自動化運維開發實戰班，馬哥聯合BAT、豆瓣等一線互聯網Python開發達人，根據目前企業需求的Python開發人才進行了深度定制，加入了大量一線互聯網公司：大眾點評、餓了么、騰訊等生產環境真是項目，課程由淺入深，從Python基礎到Python高級，讓你融匯貫通Python基礎理論，手把手教學讓你具備Python自動化開發需要的前端界面開發、Web框架、大監控系統、CMDB系統、認證堡壘機、自動化流程平臺六大實戰能力，讓你從0開始蛻變成Hold住年薪20萬的Python自動化開發人才。

課程咨詢請長按即可咨詢