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）

↑ 关注 + 星标 ~ 别错过有趣内容

不管前浪还是后浪，能够浪起来的才算是好浪。

相信大家最近都被号称“浪里白条”的b站刷了不止一次屏。这次咱们先不谈价值观，主要从数据的角度，扒一扒让b站能够在浪里穿梭的资本——优质UP主。

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。

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。

数据概览

视频信息表：

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：

缺失值数量：

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

  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

  提取所需关键词

df = df[['分区', 'author','date','coins','danmu','favorite','likes','replay','share','view']]

df.head()

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。

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。

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。

  提取需要的信息

根据不同的分区进行IFL打分，这里以科普区为例

sc = df.loc[df['分区']=='科学科普']

so = df.loc[df['分区']=='社科人文']

ma = df.loc[df['分区']=='机械']

tec = df.loc[df['分区']=='野生技术协会']

mi = df.loc[df['分区']=='星海'] # 一般发布军事内容

car = df.loc[df['分区']=='汽车']

sc.info()

  关键词构造

F值：首先，先筛选出发布视频大于5的up主，视频播放量在5W以上的视频数少于5，说明可能是有些视频标题取得好播放量才高，而不是视频质量稳定的up主。

# 计算发布视频的次数

count = sc.groupby('author')['date'].count().reset_index()

count.columns =['author','times']

# 剔除掉发布视频少于5的up主

com_m = count[count['times']>5]

#com_m = pd.merge(count,I,on='author',how='inner')

com_m.info()

筛选完只剩下208个up主的视频数在5个以上：

last = sc.groupby('author')['date'].max()

late = sc.groupby('author')['date'].min()

# 最晚发布日期与最早之间的天数/发布次数，保留整数，用date重新命名列

F =round((last-late).dt.days/sc.groupby('author')['date'].count()).reset_index()

F.columns =['author', 'F']

F = pd.merge(com_m, F,on='author', how='inner')

F.describe()

通过describe()方法发现，最晚发布日期与最早发布日期为0的现象，猜测是在同一天内发布了大量的视频。

# 查找的一天内发布视频数大于5的人

F.loc[F['F'].idxmin()]

其视频皆为转载，将其剔除统计范围内。

F = F.loc[F['F']>0]

F.describe()

I值

# 构建I值

danmu = sc.groupby('author')['danmu'].sum()

replay = sc.groupby('author')['replay'].sum()

view = sc.groupby('author')['view'].sum()

count = sc.groupby('author')['date'].count()

I =round((danmu+replay)/view/count*100,2).reset_index() #

I.columns=['author','I']

F_I = pd.merge(F,I,on='author',how='inner')

F_I.head()

L值

# 计算出点赞率计算出所有视频的点赞率

sc['L'] =(sc['likes']+sc['coins']*2+sc['favorite']*3)/sc['view']*100

sc.head()

# 构建L值

L =(sc.groupby('author')['L'].sum()/sc.groupby('author')['date'].count()).reset_index()

L.columns =['author', 'L']

IFL = pd.merge(F_I, L, on='author',how='inner')

IFL = IFL[['author', 'I','F','L']]

IFL.head()

  维度打分

维度确认的核心是分值确定，按照设定的标准，我们给每个消费者的I/F/L值打分，分值的大小取决于我们的偏好，即我们越喜欢的行为，打的分数就越高：

• I值，I代表了up主视频的平均评论率，这个值越大，就说明其视频越能使用户有话题，当I值越大时，分值越大。

• F值表示视频的平均发布周期，我们当然想要经常看到，所以这个值越大时，分值越小。

• L值表示发布视频的平均点赞率，S值越大时，质量越稳定，分值也就越大。I/S值根据四分位数打分，F值根据更新周期打分。

IFL.describe()

I值打分：

L值打分：

F值根据发布周期打分：

  分值计算

# bins参数代表我们按照什么区间进行分组

# labels和bins切分的数组前后呼应,给每个分组打标签

# right表示了右侧区间是开还是闭，即包不包括右边的数值，如果设置成False，就代表[0,30)

IFL['I_SCORE'] = pd.cut(IFL['I'], bins=[0,0.03,0.06,0.11,1000],

                        labels=[1,2,3,4], right=False).astype(float)

IFL['F_SCORE'] = pd.cut(IFL['F'], bins=[0,7,15,30,90,1000],

                        labels=[5,4,3,2,1], right=False).astype(float)

IFL['L_SCORE'] = pd.cut(IFL['L'], bins=[0,5.39,9.07,15.58,1000],

                        labels=[1,2,3,4], right=False).astype(float)

IFL.head()

判断用户的分值是否大于平均值：

# 1为大于均值 0为小于均值

IFL['I是否大于平均值'] =(IFL['I_SCORE'] > IFL['I_SCORE'].mean()) *1

IFL['F是否大于平均值'] =(IFL['F_SCORE'] > IFL['F_SCORE'].mean()) *1

IFL['L是否大于平均值'] =(IFL['L_SCORE'] > IFL['L_SCORE'].mean()) *1

IFL.head()

  客户分层

RFM经典的分层会按照R/F/M每一项指标是否高于平均值，把用户划分为8类，我们根据根据案例中的情况进行划分，具体像下面表格这样：

引入人群数值的辅助列，把之前判断的I\F\S是否大于均值的三个值串联起来：

IFL['人群数值'] =(IFL['I是否大于平均值'] *100) +(IFL['F是否大于平均值'] *10) +(IFL['L是否大于平均值'] *1)

IFL.head()

构建判断函数，通过判断人群数值的值，来返回对应标签：

将标签分类函数应用到人群数值列：

IFL['人群类型'] = IFL['人群数值'].apply(transform_label) 

IFL.head()

  各类用户占比

cat = IFL['人群类型'].value_counts().reset_index()

cat['人数占比'] = cat['人群类型'] / cat['人群类型'].sum()

cat

各分区up主排行top15

  科学科普分区

high = IFL.loc[IFL['人群类型']=='高价值up主']

rank = high[['author','L','I','F']].sort_values('L',ascending=False)

rank.to_excel('rank.xlsx', sheet_name='科学科普',encoding='utf-8')

  社科人文分区

  机械分区

机械分区高价值up主只有5位，因为机械分区在科技区是个小分区，发布视频的up主仅有54位。

  野生技术协会分区

  星海

  汽车

参考文章：

1.数据不吹牛:《不到70行Python代码，轻松玩转RFM用户分析模型》

2.Crossin:《B站用户行为分析非官方报告》

3.https://github.com/Vespa314/bilibili-api/blob/master/api.md

End

    100道练习题，玩转Numpy模块！    面试真题：1亿张彩票堆起来有多高？    数据分析里常用的五个统计学概念
小z微信坑位限时开放后台回复“芝麻开门”即可捕捉号主本人

“优秀~”