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

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

找不到Anaconda prompt终端的原因分析及解决方案

《找不到Anacondaprompt终端的原因分析及解决方案》因为anaconda还没有初始化,在安装anaconda的过程中,有一行是否要添加anaconda到菜单目录中,由于没有勾选,导致没有菜... 目录问题原因问http://www.chinasem.cn题解决安装了 Anaconda 却找不到 An

Spring定时任务只执行一次的原因分析与解决方案

《Spring定时任务只执行一次的原因分析与解决方案》在使用Spring的@Scheduled定时任务时,你是否遇到过任务只执行一次,后续不再触发的情况?这种情况可能由多种原因导致,如未启用调度、线程... 目录1. 问题背景2. Spring定时任务的基本用法3. 为什么定时任务只执行一次?3.1 未启用

如何使用Python实现一个简单的window任务管理器

《如何使用Python实现一个简单的window任务管理器》这篇文章主要为大家详细介绍了如何使用Python实现一个简单的window任务管理器,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起... 任务管理器效果图完整代码import tkinter as tkfrom tkinter i

C++ 各种map特点对比分析

《C++各种map特点对比分析》文章比较了C++中不同类型的map(如std::map,std::unordered_map,std::multimap,std::unordered_multima... 目录特点比较C++ 示例代码 ​​​​​​代码解释特点比较1. std::map底层实现:基于红黑

C++中函数模板与类模板的简单使用及区别介绍

《C++中函数模板与类模板的简单使用及区别介绍》这篇文章介绍了C++中的模板机制,包括函数模板和类模板的概念、语法和实际应用,函数模板通过类型参数实现泛型操作,而类模板允许创建可处理多种数据类型的类,... 目录一、函数模板定义语法真实示例二、类模板三、关键区别四、注意事项 ‌在C++中,模板是实现泛型编程

Spring、Spring Boot、Spring Cloud 的区别与联系分析

《Spring、SpringBoot、SpringCloud的区别与联系分析》Spring、SpringBoot和SpringCloud是Java开发中常用的框架,分别针对企业级应用开发、快速开... 目录1. Spring 框架2. Spring Boot3. Spring Cloud总结1. Sprin

Spring 中 BeanFactoryPostProcessor 的作用和示例源码分析

《Spring中BeanFactoryPostProcessor的作用和示例源码分析》Spring的BeanFactoryPostProcessor是容器初始化的扩展接口,允许在Bean实例化前... 目录一、概览1. 核心定位2. 核心功能详解3. 关键特性二、Spring 内置的 BeanFactory