大数据实战：知乎百万用户分析

本文来源：http://wuzuozhi.com/

背景

这几天，同事都去出差，稍有感冒的我提前在办公室感受到了“孤独终老”的恐惧。 于是，我想在自己有能力并且还有激情的时候，去做一些以后值得回忆的事。我萌生了去“探望”下知乎的念头。

前言

我个人是15年注册知乎，三年过去了，我个人主页数据是：

我一直不喜欢知乎上面的氛围，但是通过知乎我确实拿到了很多学习、设计、阅读和产品灵感的资源，都是通过知乎链接到其他平台；在此也感谢这个平台给每一个求知者带来的帮助和启发。这次我将利用知乎用户的数据，从数据分析的角度，以用户、区域、行业、专业、大学、喜欢数、粉丝数和性别为交叉对比展开分析，因为我迫切想知道，那些大 V 从哪来，做了什么事，是个什么背景等等像打了马赛克一样的信息。下面我们一一展开。

数据

直接爬取知乎的用户数据，包括ID、粉丝数量、工作信息、回答数量、文章数量等等。

部分数据不完整，gender 列中“1”表示男，对应的“0”就是女啦。

这些用户的分布区域是什么样的

拿到这些数据，我一开始不关注用户的性别，我知道，这个参考价值并不高，因为，我在一些社区都会在性别那一栏填上“女”。 于是， 根据用户的地域信息，得到如下这张图

气泡大小表示数据多少，很明显北京和上海的用户是最多的，这个地区分布有着什么样的潜在含义？读者可以思考下这个问题，后面的分析会给出答案。

用户分布区域决定这个区域的回答数量吗

其实在做下面这张图之前，我的猜想的答案是肯定的，很明显嘛，哪里人多，自然而然的就会回答多一些，但是我注册知乎后的个人数据又说明存在特例：有的用户都不喜欢回答。带着疑问我做了下面这个分析，看看这些区域的同学是不是平常贡献答案最勤快的。

这个图几乎和上面的完全吻合，用这个图来说明“我的猜想是正确的”并不合适，但是用这个图来打消你心中对这个猜想准确性所产生的疑虑，应该足够了。

用户都来自哪些大学

我乍一看这个图，我就知道数据有问题，虽然学校的排名与上面地域占比的关系吻合（清华、北大排第一第二与北京用户最多符合常识）的，但是整体数据量太小了，我回头看一下原始的数据，我发现“学校”这个字段下面的值都大多都是“Null”，在处理做图的时候默认过滤空值。发现这个之后，比较庆喜，至少这展示出来的部分数据真实性很高，因为不想公开自己大学的用户可以直接不填（也就是Null）而不会出现不是北大填北大的现象；如果有，那这样的人，我们忽略他吧。

哪个大学的用户贡献的答案最多

我们都知道，知乎是一个问答社区，贡献自己的回答，来帮助他人，从知识的领域，将雷锋精神发扬光大。那么哪个学校的用户总体回答数最高呢？

最喜欢回答问题的用户大多来自武汉大学，紧据第二的是复旦大学，前四名被武汉和上海两个城市占据。 这个时候也许你和我一样，那用户数占据最多的北京大学呢？我个人现在的解释是：知乎总部位于北京，在平台冷启动之初，种子用户的大学这个字段的值都是“北京大学”，那批用户开始塑造社区氛围后，后面就“隐居山林”了，如李开复博士；所以后面用户量大起来，发言次数每排上榜就是正常的啦。

用户粉丝的多少与哪些因素有关

这是知乎用户的粉丝排行榜,这张图给我的疑问太多太多 是不是回答的数量越多，粉丝越多呢？ 是不是获得感谢越多，粉丝越多呢？ 是不是文章写得越多，粉丝越多呢？ … 带着这些疑问，我做了如下这张图，根据分析结果，上面这几个疑问的答案就不言而喻了

并不是回答和文章次数越多，粉丝就越多，这也提醒大家，产出高质量的答案和文章，比高数量的答案和文章更有价值，更能得到别人的关注，多没用，要好才行。

有意思的专业

谈到写文章，我就想看看这些平常喜欢写作的同学都是学的什么专业

诸多默默奉献文章的高尚之士，都选择隐藏专业，在可分析的维度上，软件工程的同学摘得桂冠。中间这个“修地球专业”的文章我猜想是同一个人的贡献，因为这个专业名字除了他，应该没人想得出来233333 举一反三，我又得到了以下这张分析图，看来付出和回报是成正比的，你付出的越多，得到感谢就越多，这个世界还是很公平很美好的。差不多有200万的用户关注了“经济学”专业的同学，看来在比谁钱多的时代，经济方面文章和知识是个值得补充和提高的，大部分人在这块有极大的需求…在计算机科学专业方面的回答比肩软件工程专业，原来程序员哥哥除了不喜欢洗头，还是有很多优点的，比喻“乐于助人”。

那些经常提问的同学都来自哪个行业领域

还记得开篇的时候让大家思考的那个问题吗，如果你还没来得及思考，你现在可以再回头看一下~

在“互联网”行业，获得感谢接近13M，获得了900k的回答… 现在我们来看看开篇中的那个问题

上面的分析我们清楚的得到，用户普遍来自北京上海；而这张图可以看出，知乎上的用户在互联网这块的产出和关注度非常高，那就很好解释了：这群来自上海和北京的知乎用户，由于上海和北京互联网发展最快最发达，导致他们普遍比较关注互联网这一块。互联网之都：北上广深，（后面发展较好较快的还有杭州、南京、成都、武汉等等）关注和从事互联网的几乎都在这个四个城市，那么前后这两个看似没有任何关联不同维度的数据，恰巧有着天衣无缝的吻合。

开始我本来想直接查看个用户的职位性质来直接说明这个，但是我觉得单纯以一个在“注册”和“完善资料”步骤中填写的一个职位来说明这个有点牵强和草率，所以后面我换了一种思维，我想从用户关注的点，以及知乎上面的问题和回答所呈现的数据反推“所在的地域决定了大的环境，环境影响人关注的行业和领域”这一点，这样也显得更加严谨和科学。

下面是用户职位的分析（去除空值null后的）

其实职位不用分析也知道是这个情况。其中“创始人、合伙人、联合创始人”等都可以当作“创始人”；“产品经理、PM，产品，产品设计师”等都可以归纳为“产品经理”，“创始人”和“产品经理”这两个职位和“互联网”这三个字凝固得非常紧，而且不是这个行业的工作人员高度关注这个行业貌似也说不过去，去问或者去回答这块的问题就更扯了…

首次发言的潜在寓意是什么

仔细看上面数据 excel 截图的同学应该发现了，其中有个字段是”first_answer”，这个字段很有用

这是爬取的用户当中，首次回答的用户数量在以年为维度上的走势，（很多用户的 first_answer 我不知道为什么没有爬到~）首次回答和什么有关系？当然是注册时间啊，任何一个产品在用户首次注册的时候，新鲜感和活跃动力是最强的，如果在开始注册之际这个用户就没有参与平台的互动，我们大可以断定这个用户已经沉淀或流失。我们假设知乎上面的用户在注册的时候就开始去回答别人的问题（可能有一两天甚至一两周的时间差，但是在以年为维度，可以忽略），那么 first_answer 可以转换为注册时间，而注册时间可以反观一个平台的推广力度和运营力度，那么有了这个思路，我们再看上面的图

• 从10年到11年，几乎垂直上升，说明在这个时间段，有大量的用户注册。事实是，知乎是10年末期开放邀请注册的，那么此期间用户剧增，理所当然
• 从11年到12年，有下降，说明在产品形成初期，有一定的用户基数后，注册遇到了瓶颈，在知乎社区活跃的几乎都是老用户，所以没有新用户，不存在首次回答，于是，出现了下降
• 从12年到14年，再次出现峰值，说明又有大批用户注册，去翻知乎的发展史可以看到，这个时间段，知乎取消以往的邀请注册，开放公众注册，那自然而然会出现用户暴增了
• 之后的几年都是下降，如果读者是互联网从业或者关注这块的信息，你应该已经想到这是产品的用户瓶颈到了，一个平台的用户天花板只有这么高，当没有新用户注册并且参与活跃，first_answer 这个字段就没有意义了，所以到了16年，首次回答的用户非常低，说明，这个平台的新用户增长低，甚至没有
• 这是从 first_answer 得出的分析，那么你能根据 last_answer 得出什么结论呢？

总结

有时候从数据分析去反推事实很有意思，这大概也是数据产品最迷人的地方吧。以后的一段时间，我将爬拉钩、爬新浪、爬大众点评、爬物流等一系列平台的数据，来和大家一起分享数据产品经理的乐趣和日常，感兴趣的朋友，欢迎来我博客做客。