爬取 Stackoverflow 100 万条问答并简单分析

2023-12-29 05:18

本文主要是介绍爬取 Stackoverflow 100 万条问答并简单分析,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

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

 

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

 

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

 

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

 

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

 

 

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 ifname== “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

 

这篇关于爬取 Stackoverflow 100 万条问答并简单分析的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/548438

相关文章

Java程序进程起来了但是不打印日志的原因分析

《Java程序进程起来了但是不打印日志的原因分析》:本文主要介绍Java程序进程起来了但是不打印日志的原因分析,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Java程序进程起来了但是不打印日志的原因1、日志配置问题2、日志文件权限问题3、日志文件路径问题4、程序

Java字符串操作技巧之语法、示例与应用场景分析

《Java字符串操作技巧之语法、示例与应用场景分析》在Java算法题和日常开发中,字符串处理是必备的核心技能,本文全面梳理Java中字符串的常用操作语法,结合代码示例、应用场景和避坑指南,可快速掌握字... 目录引言1. 基础操作1.1 创建字符串1.2 获取长度1.3 访问字符2. 字符串处理2.1 子字

Python 迭代器和生成器概念及场景分析

《Python迭代器和生成器概念及场景分析》yield是Python中实现惰性计算和协程的核心工具,结合send()、throw()、close()等方法,能够构建高效、灵活的数据流和控制流模型,这... 目录迭代器的介绍自定义迭代器省略的迭代器生产器的介绍yield的普通用法yield的高级用法yidle

C++ Sort函数使用场景分析

《C++Sort函数使用场景分析》sort函数是algorithm库下的一个函数,sort函数是不稳定的,即大小相同的元素在排序后相对顺序可能发生改变,如果某些场景需要保持相同元素间的相对顺序,可使... 目录C++ Sort函数详解一、sort函数调用的两种方式二、sort函数使用场景三、sort函数排序

使用Python开发一个简单的本地图片服务器

《使用Python开发一个简单的本地图片服务器》本文介绍了如何结合wxPython构建的图形用户界面GUI和Python内建的Web服务器功能,在本地网络中搭建一个私人的,即开即用的网页相册,文中的示... 目录项目目标核心技术栈代码深度解析完整代码工作流程主要功能与优势潜在改进与思考运行结果总结你是否曾经

kotlin中const 和val的区别及使用场景分析

《kotlin中const和val的区别及使用场景分析》在Kotlin中,const和val都是用来声明常量的,但它们的使用场景和功能有所不同,下面给大家介绍kotlin中const和val的区别,... 目录kotlin中const 和val的区别1. val:2. const:二 代码示例1 Java

Go标准库常见错误分析和解决办法

《Go标准库常见错误分析和解决办法》Go语言的标准库为开发者提供了丰富且高效的工具,涵盖了从网络编程到文件操作等各个方面,然而,标准库虽好,使用不当却可能适得其反,正所谓工欲善其事,必先利其器,本文将... 目录1. 使用了错误的time.Duration2. time.After导致的内存泄漏3. jsO

Mysql表的简单操作(基本技能)

《Mysql表的简单操作(基本技能)》在数据库中,表的操作主要包括表的创建、查看、修改、删除等,了解如何操作这些表是数据库管理和开发的基本技能,本文给大家介绍Mysql表的简单操作,感兴趣的朋友一起看... 目录3.1 创建表 3.2 查看表结构3.3 修改表3.4 实践案例:修改表在数据库中,表的操作主要

springboot简单集成Security配置的教程

《springboot简单集成Security配置的教程》:本文主要介绍springboot简单集成Security配置的教程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,... 目录集成Security安全框架引入依赖编写配置类WebSecurityConfig(自定义资源权限规则

Spring事务中@Transactional注解不生效的原因分析与解决

《Spring事务中@Transactional注解不生效的原因分析与解决》在Spring框架中,@Transactional注解是管理数据库事务的核心方式,本文将深入分析事务自调用的底层原理,解释为... 目录1. 引言2. 事务自调用问题重现2.1 示例代码2.2 问题现象3. 为什么事务自调用会失效3