我用加强版RFM模型,轻松扒出B站优质up主!(含数据+实战代码)(上)

简介: 本文在RFM模型基础上做了调整,尝试用更符合b站特性的IFL模型,找到各分区优质up主。整个过程以分析项目的形式展开,最终附上了完整源数据和代码,方便感兴趣的同学练手。

一、项目概览


分析目的

对2019年1月~2020年3月发布的视频进行分析,挑选出视频质量高,值得关注的up主。


数据来源


分析数据基于 bilibili 网站上的公开信息,主要爬取了以下数据维度:


2019年1月~2020年3月,科技区播放量过5w视频的分区名称、作者名称、作者id、发布时间、播放数、硬币数、弹幕数、收藏数、点赞数、分享数、评论数,共计50130行。


源数据下载链接


后台回复“b站”,获取完整数据源和代码。


二、数据概览


视频信息表:


image.png


coins:投硬币数

danmu:弹幕数

favorite:收藏数

likes:点赞数

replay:评论数

share:分享数

view:播放量


各字段数量:


image.png


缺失值数量:


image.png


三、数据清洗


删除空值


df = df.dropna()


df.info()


共删除了19行数据,剩余50111行数据


image.png


删除重复值


df = df.drop_duplicates()


df.info()


删除了1312行重复的数据,剩余数据量48799行


image.png


提取所需关键词

df = df[['分区',

'author','date','coins','danmu','favorite','likes','replay','share','view']]

df.head()


image.png


四、构建模型


RFM模型是衡量客户价值和创利能力的重要工具和手段。通过一个客户近期购买行为、购买的总体频率以及消费金额三项指标来描述客户的价值状况。


R:最近一次消费时间(最近一次消费到参考时间的间隔)


F:消费的频率(消费了多少次)


M:消费的金额 (总消费金额)


但RFM模型并不能评价视频的质量,所以在这里针对up主的视频信息构建了IFL模型,以评估视频的质量。


I(Interaction_rate):


I值反映的是平均每个视频的互动率,互动率越高,表明其视频更能产生用户的共鸣,使其有话题感。


image.png


F(Frequence):


F值表示的是每个视频的平均发布周期,每个视频之间的发布周期越短,说明内容生产者创作视频的时间也就越短,创作时间太长,不是忠实粉丝的用户可能将其遗忘。


image.png


L(Like_rate):


L值表示的是统计时间内发布视频的平均点赞率,越大表示视频质量越稳定,用户对up主的认可度也就越高。


image.png

相关文章
|
7月前
|
调度 数据库 Python
【YashanDB 知识库】DolphinScheduler 适配崖山 Python 驱动
本文来自YashanDB官网,介绍如何将DolphinScheduler调度器适配崖山Python驱动,实现通过Python任务访问崖山数据库。环境要求包括DolphinScheduler 3.1.9、Python 3.9及YashanDB 23.2.2.100。操作步骤涵盖安装YashanDB客户端、配置环境变量、安装Python驱动以及设置DolphinScheduler相关参数,助力用户高效集成与使用。
|
Java 流计算
这个错误信息来自于Java的ScheduledThreadPoolExecutor类,具体的原因是RejectedExecutionException,也就是任务被拒绝执行
【2月更文挑战第3天】这个错误信息来自于Java的ScheduledThreadPoolExecutor类,具体的原因是RejectedExecutionException,也就是任务被拒绝执行
308 2
|
Rust 安全 JavaScript
探索Rust在系统编程领域的前景:虚拟机和编译器开发的新篇章
【8月更文挑战第31天】在系统编程领域,性能与安全性至关重要。Rust作为一种新兴语言,凭借其独特的内存安全和并发特性,正逐渐成为虚拟机和编译器开发的首选。本文通过案例分析,探讨Rust在这些领域的应用,例如Facebook的Compiler VM (CVM)项目和实验性的JavaScript JIT编译器Mithril。Rust的静态类型系统和所有权模型确保了高性能和安全性,而其强大的包管理和库生态则简化了虚拟机的开发。随着Rust社区的不断成熟,预计未来将有更多基于Rust的创新项目涌现,推动系统编程的发展。对于追求高性能和安全性的开发者而言,掌握Rust将成为一个重要战略方向。
289 1
|
搜索推荐 算法
2022-10-31-基于用户的协同过滤推荐算法实现+MAE+RMSE的求解+项目代码+运行结果图(一)
2022-10-31-基于用户的协同过滤推荐算法实现+MAE+RMSE的求解+项目代码+运行结果图
273 0
|
NoSQL 测试技术 API
|
机器学习/深度学习 缓存 搜索推荐
基于Python开发带差分隐私采用协同过滤的推荐系统 毕业设计
基于Python开发带差分隐私采用协同过滤的推荐系统 毕业设计
639 0
基于Python开发带差分隐私采用协同过滤的推荐系统 毕业设计
|
JSON 网络架构 数据格式
Easy-Mock 全解及其详细使用
Easy-Mock 全解及其详细使用
348 0
|
监控 数据库 块存储
【操作系统】磁盘IO常见性能指标和分析工具实战
【操作系统】磁盘IO常见性能指标和分析工具实战
【操作系统】磁盘IO常见性能指标和分析工具实战
|
存储 人工智能 自然语言处理
云原生向量数据库Milvus(一)-简述、系统架构及应用场景(上)
Milvus 是一款云原生向量数据库,它具备高可用、高性能、易拓展的特点,用于海量向量数据的实时召回。
|
Kubernetes 算法 调度
k8s--pod 调度、定向调度、亲和性调度、污点和容忍 (一)
k8s--pod 调度、定向调度、亲和性调度、污点和容忍