知乎數據可視化

前段時間不知道從哪裏弄來的一份知乎數據，數據量很少，只有二十萬的樣子，今天就以這二十萬數據來進行一次簡單地數據可視化，主要的工具就是兩個：pandas和matplotlib。
如下相關的代碼和示例數據在文末有相應的下載連接，你能夠下載數據本身嘗試。

實際上，你也可使用BI軟件進行分析，速度和可視化效果很好，最主要的是操做相對容易，可是咱們拿到的這份示例數據並不規整，也就是有部份內容是亂的，爬蟲爬下來的數據有錯位的狀況，所以對於數據的清洗須要必定的時間，爲了方便，咱們就直接編程實現。

導入數據

咱們使用jupyter notebook做爲咱們的ide工具
首先來看一下咱們的原始數據的樣子。

咱們習慣於使用英文做爲咱們的列索引，所以咱們在導入數據的時候指定索引的名稱，以下所示。

其中，%matplotlib inline指定咱們的plt作的圖嵌入在ide之中，而不是彈窗顯示。
其結果以下所示，後面還有數據列，只是截圖容不下了。

知乎用戶高校分佈狀況

咱們首先來看一下哪些高校的知乎用戶數量最多，核心思路就是咱們對高校進行計數，而後按照數量進行降序排序，選擇選取前十位進行繪圖表示。在實際操做的過程總，我發現了一個問題，計數結果排名比較靠前的數據中有一些是諸如」大學「， ’大學本科‘這樣的數據，顯然咱們須要先將其去掉。
咱們自定義一個函數，若是其學校填寫的是某一些特定的數據，咱們就將其置爲空。
由於咱們只須要排名靠前的大學，那些名字更加奇葩的咱們就無論了，畢竟咱們用不到。

下面就直接開始繪圖了。

其結果以下

一眼望過去，你會發現全是985高校，真是着實讓人悲傷。
既然那麼多的985，那麼咱們下一步的思路就是，看一下985的人數在總人數中所佔的比例。

985高校用戶佔比

思路就是咱們定義一個函數，若是這所學校是985的話，咱們就給他一個記號爲1，若是不是就爲0，爲何是1/0而不是其餘的呢，待會咱們做圖的時候你就知道了。

看一下效果

檢查一下是否是已經徹底的實現了標記狀況。

直接開始繪圖吧

簡單地解釋一下clean_name.name = ''在繪製餅圖的時候，Series的name會默認以標籤的形式出如今餅圖的左邊，好好的一個餅圖，左邊多了一個label顯然是不美觀的，所以咱們直接將Series的name去掉，你能夠嘗試註釋掉這一行，來看一下會是什麼樣子。

從上面的餅圖能夠看到，雖然985高校只有34所，可是其佔比達到了1/4，真是讓人懷疑這些高校的學生是否是人手一個知乎App。

回答數Top10

這個地方就出現了數據混亂的狀況，按理說，回答都是整數，可是這裏面的部分數據出現了值爲漢字的狀況，所以，要想進行下一步的分析，只能先對這些數據進行處理。
使用正則表達式，將非數字所有替換爲0，最後把這一列的數據類型轉換成整型。

咱們這裏將用戶名做爲咱們的索引，方便下一步的繪圖。

知乎性別比例

詞雲展現

最後，咱們將以上數據中所呈現的專業進行一下詞頻統計，並製做出詞雲。

計算機，金融完勝。

既然作到這了，順便在看一下這些大V的就任公司。

作的很是的粗糙，看到的同窗請見諒。
你能夠去github下載以上的代碼和相應的數據。

github地址: https://github.com/cnkai/data-visualization.git