基于Python的豆瓣金融類(lèi)圖書(shū)數(shù)據(jù)分析

文/揚(yáng)州大學(xué)社會(huì)發(fā)展學(xué)院 馬夢(mèng)燁；華中師范大學(xué)信息管理學(xué)院 王涵

豆瓣是目前網(wǎng)上對(duì)于圖書(shū)信息收錄最全的網(wǎng)站，圖書(shū)評(píng)論都直接由用戶(hù)提供（User-generated content,UGC），用戶(hù)對(duì)圖書(shū)的記錄是：評(píng)分、貼標(biāo)簽、寫(xiě)短評(píng)等等。豆瓣的圖書(shū)評(píng)分可以最直觀(guān)地幫助用戶(hù)進(jìn)行圖書(shū)挑選，但由于用戶(hù)愛(ài)好不同、傾向不同，評(píng)分仍會(huì)帶有一部分主觀(guān)因素，不能做到絕對(duì)客觀(guān)。因此，本文提出基于Python的數(shù)據(jù)可視化分析研究方法，對(duì)標(biāo)簽為“金融”的豆瓣圖書(shū)進(jìn)行了更深入的分析，為讀者和用戶(hù)如何選取金融類(lèi)圖書(shū)提供指導(dǎo)和建議。

一、研究框架

本文對(duì)豆瓣金融類(lèi)圖書(shū)的研究框架如圖1所示。首先，用Python抓取網(wǎng)頁(yè)源代碼并獲得包含書(shū)名、作者、出版社等各個(gè)網(wǎng)頁(yè)元素的數(shù)據(jù)。其次，將所抓取的圖書(shū)數(shù)據(jù)進(jìn)行處理和分析，并進(jìn)行格式化存儲(chǔ)，以便于后續(xù)的可視化展示。接著對(duì)數(shù)值數(shù)據(jù)和文本數(shù)據(jù)進(jìn)行預(yù)處理操作，包括異常值處理、數(shù)據(jù)清洗、缺失數(shù)據(jù)補(bǔ)齊等。最后進(jìn)行數(shù)據(jù)分析，利用Python做詞云圖、用Excel透視表繪制散點(diǎn)圖、條形圖等直觀(guān)的展示圖書(shū)各要素之間的關(guān)系，評(píng)估結(jié)果并得出結(jié)論。

圖1 研究框架

二、數(shù)據(jù)分析

本文對(duì)Python抓取到的1000本豆瓣金融類(lèi)圖書(shū)信息進(jìn)行了出版社詞云可視化分析、評(píng)分可視化分析、評(píng)價(jià)人數(shù)和評(píng)分可視化分析。

（一）出版社詞云可視化分析。使用Python中的Wordcloud模塊，對(duì)1000本金融類(lèi)圖書(shū)的出版社進(jìn)行分析并生成詞云圖。從圖中可以看出，出版社這個(gè)詞出現(xiàn)的頻率最高，這是因?yàn)榇蟛糠殖霭嫔绲暮缶Y都是出版社，但也有部分后綴如出版公司、商務(wù)印書(shū)館等，因而并未對(duì)出版社此后綴做統(tǒng)一處理。拋開(kāi)此頻率最高的詞，其余頻率前三的出版社自動(dòng)加上后綴名，分別為機(jī)械工業(yè)出版社193本、中信出版社189本和中國(guó)人民大學(xué)出版社77本，說(shuō)明國(guó)內(nèi)外學(xué)者們尤其是國(guó)外學(xué)者對(duì)這三個(gè)出版社的青睞度最高。

（二）評(píng)分可視化分析。對(duì)1000本金融類(lèi)圖書(shū)評(píng)分?jǐn)?shù)據(jù)進(jìn)行分析，得出評(píng)分最高的5本金融類(lèi)圖書(shū)，通過(guò)Excel繪制條形圖。評(píng)分最高的5本金融類(lèi)圖書(shū)分別為：應(yīng)用公司財(cái)務(wù)、投資者養(yǎng)成指南（一）、金融隨機(jī)分析（共2冊(cè)）、證券法學(xué)（第四版）和投資者文摘，評(píng)分分別為9.9分、9.8分、9.7分、9.7分和9.7分。

（三）評(píng)價(jià)人數(shù)和評(píng)分可視化分析。對(duì)1000本金融類(lèi)圖書(shū)評(píng)價(jià)人數(shù)的數(shù)據(jù)進(jìn)行整理，通過(guò)Excel繪制散點(diǎn)圖。由圖中可以發(fā)現(xiàn)，絕大部分金融類(lèi)圖書(shū)的評(píng)價(jià)人數(shù)都集中在0-5000人這個(gè)區(qū)間內(nèi)，其中評(píng)價(jià)人數(shù)前五的書(shū)籍為：貨幣戰(zhàn)爭(zhēng)、原則、經(jīng)濟(jì)學(xué)原理（上下）、思考快與慢和偉大的博弈，評(píng)價(jià)人數(shù)分別為43853人、24112人、16539人、14531人和12409人，評(píng)分分別為7.2分、8.3分、9.1分、8.1分和8.3分。

同時(shí)又對(duì)1000本金融類(lèi)圖書(shū)中評(píng)分大于等于9.0以上的評(píng)價(jià)人數(shù)的數(shù)據(jù)進(jìn)行整理，通過(guò)Excel繪制散點(diǎn)圖。由圖中看出，絕大部分評(píng)分大于等于9.0以上的評(píng)價(jià)人數(shù)都集中在0-4000人這個(gè)區(qū)間內(nèi)，其中評(píng)價(jià)人數(shù)前五的書(shū)籍為：經(jīng)濟(jì)學(xué)原理（上下）、經(jīng)濟(jì)學(xué)原理、經(jīng)濟(jì)學(xué)原理（第7版）、期貨市場(chǎng)技術(shù)分析和彼得·林奇的成功投資，評(píng)價(jià)人數(shù)分別為16539人、10259人、2926人、2398人和2029人。

將兩張圖對(duì)比可以發(fā)現(xiàn)，評(píng)價(jià)人數(shù)前五的書(shū)籍評(píng)分都不高，僅有一本書(shū)的評(píng)分大于9.0分。其中評(píng)價(jià)人數(shù)最多的書(shū)籍是貨幣戰(zhàn)爭(zhēng)，但其評(píng)分只有7.2分；評(píng)分前五的書(shū)籍評(píng)論人數(shù)也不多，僅有經(jīng)濟(jì)學(xué)原理（上下）這本書(shū)處在評(píng)論人數(shù)前五的書(shū)籍中。由此得出評(píng)論人數(shù)多的評(píng)分不一定高，評(píng)分高的評(píng)論人數(shù)不一定高，評(píng)論人數(shù)和評(píng)分之間的相關(guān)性較弱。

（四）評(píng)分和出版年份可視化分析。對(duì)1000本金融類(lèi)圖書(shū)評(píng)價(jià)人數(shù)的數(shù)據(jù)進(jìn)行整理，通過(guò)Excel繪制散點(diǎn)圖。評(píng)分大于等于9.0以上的書(shū)籍出版年份集中在2005年以后，且評(píng)分大多集中在9.0分和9.1分，評(píng)分為9.7分及以上的書(shū)籍較少。進(jìn)一步分析猜測(cè)評(píng)分大于等于9.0分以上的這些書(shū)籍可能是由于出版年份較晚，閱讀和評(píng)論人數(shù)較少。而一本書(shū)的總體評(píng)分受每個(gè)評(píng)分人給出的評(píng)分和評(píng)論人數(shù)的影響，可能是少部分的評(píng)論人數(shù)均給出較高的評(píng)分，因而評(píng)分大于等于9.0分以上的書(shū)籍并不代表書(shū)的熱度高和受歡迎程度高，這兩者之間的相關(guān)性較弱。

三、結(jié)論

統(tǒng)計(jì)學(xué)和圖書(shū)館學(xué)等傳統(tǒng)研究方法并不能深層次地挖掘圖書(shū)信息的潛在規(guī)律。本文基于Python語(yǔ)言從豆瓣讀書(shū)頁(yè)面中獲取金融類(lèi)圖書(shū)相關(guān)數(shù)據(jù)，并對(duì)其進(jìn)行可視化分析，得出以下結(jié)論：

圖書(shū)出版社詞云分析得出，機(jī)械工業(yè)出版社、中信出版社和中國(guó)人民大學(xué)出版社是出版金融類(lèi)圖書(shū)最多的三個(gè)出版社，說(shuō)明讀者對(duì)這三個(gè)出版社的青睞度最高。在選擇圖書(shū)出版社時(shí)，可優(yōu)先將自己的作品交給這三個(gè)出版社進(jìn)行出版發(fā)行，同時(shí)，圖書(shū)館、書(shū)店等在采購(gòu)金融類(lèi)圖書(shū)時(shí)也可優(yōu)先關(guān)注這三個(gè)出版社的信息。

圖書(shū)評(píng)分分析得出，評(píng)分最高的5本金融類(lèi)圖書(shū)分別為：應(yīng)用公司財(cái)務(wù)、投資者養(yǎng)成指南（一）、金融隨機(jī)分析（共2冊(cè)）、證券法學(xué)（第四版）和投資者文摘，這對(duì)有意學(xué)習(xí)金融知識(shí)的人來(lái)說(shuō)，具有很好的參考作用，在閱讀金融類(lèi)圖書(shū)時(shí)可以更優(yōu)先考慮評(píng)分最高的金融類(lèi)書(shū)籍。

圖書(shū)評(píng)價(jià)人數(shù)和評(píng)分分析得出，評(píng)價(jià)人數(shù)前五的書(shū)籍評(píng)分都不高，僅有一本書(shū)的評(píng)分大于9.0分。其中評(píng)價(jià)人數(shù)最多的書(shū)籍是貨幣戰(zhàn)爭(zhēng)，但其評(píng)分只有7.2分；評(píng)分前五的書(shū)籍評(píng)論人數(shù)也不多，僅有經(jīng)濟(jì)學(xué)原理（上下）這本書(shū)處在評(píng)論人數(shù)前五的書(shū)籍中。由此可見(jiàn)評(píng)論人數(shù)和評(píng)分之間的相關(guān)性較弱，因而在選擇金融類(lèi)圖書(shū)時(shí)，不能夠由評(píng)分人數(shù)的多少判定圖書(shū)的好評(píng)度，也不能由評(píng)分的高低來(lái)判斷圖書(shū)的熱度。

評(píng)分和出版年份分析得出，評(píng)分大于等于9.0以上的書(shū)籍出版年份集中在2005年以后，且評(píng)分大多集中在9.0分和9.1分，評(píng)分為9.7分及以上的書(shū)籍較少。進(jìn)一步分析猜測(cè)評(píng)分大于等于9.0分以上的這些書(shū)籍可能是由于出版年份較晚，閱讀和評(píng)論人數(shù)較少。而一本書(shū)的總體評(píng)分受每個(gè)評(píng)分人給出的評(píng)分和評(píng)論人數(shù)的影響，可能是少部分的評(píng)論人數(shù)均給出較高的評(píng)分，因而評(píng)分大于等于9.0分以上的書(shū)籍并不代表書(shū)的熱度高和受歡迎程度高。由此可見(jiàn)這兩者之間的相關(guān)性較弱，因而在選擇金融類(lèi)圖書(shū)時(shí)，不能只根據(jù)評(píng)分來(lái)判定圖書(shū)的熱度和受歡迎程度，還需要考慮出版年份、評(píng)論人數(shù)等多重因素。

四、結(jié)語(yǔ)

綜上，本文基于Python和Excel透視表對(duì)豆瓣金融類(lèi)圖書(shū)信息進(jìn)行了深入的分析，在用戶(hù)對(duì)金融類(lèi)圖書(shū)的選擇上給出了更好的建議，同時(shí)也給圖書(shū)館、書(shū)店等采購(gòu)金融類(lèi)圖書(shū)提供了建設(shè)性意見(jiàn)。但本文在數(shù)據(jù)預(yù)處理部分考慮的并不充分，此外本次研究選擇的僅是對(duì)豆瓣金融類(lèi)圖書(shū)進(jìn)行分析，并未對(duì)更多標(biāo)簽下的圖書(shū)信息進(jìn)行分析，具有一定的局限性。