是什么让“数据科学”帖子在 Medium 上流行起来？

该博客最初由 Aiswarya Ramachandran 发表在 Medium 上，他是 IIIT-Bangalore 的 UpGrad 数据科学项目的校友。

在我之前关于 Medium 的一篇文章中，我曾写过如何从 Medium 中抓取特定查询字符串的搜索结果。 在这篇文章中，我们将详细分析从搜索词“数据科学”中删除的数据，以根据拍手次数和回复将帖子分组为不同的受欢迎程度，并了解这些帖子受欢迎的原因。

从 Medium 搜索结果中提取的数据是 JSON 文件，其中包含有关每个搜索结果的大量数据。 为了探索 JSON 文件的结构，我使用了带有 JSON 插件的 Notepad++。 JSON 文件包含有关帖子、帖子作者和与该帖子关联的发布者（如果有）的数据。 这是一篇中等帖子的 JSON 数据结构：

可以在此处找到从 JSON 文件中提取数据的代码。 除了从 JSON 文件中提取数据之外，我还添加了一个包含帖子被废弃日期的字段。

“数据科学”相关帖子的探索性分析

在搜索词“数据科学”的抓取结果中，有 831 个帖子被废弃，其中 31 个是对帖子的回复，并被排除在分析之外。 以下是多年来发布的帖子数量，废弃的数据是从 2013 年 3 月到 2018 年 4 月：

所有日期字段，如创建日期、首次发布日期、最后更新日期，其中自 1970 年 1 月以来经过的毫秒数。使用以下函数将它们转换为人类可读的日期格式

# 将 EPOCH 日期转换为人类可读格式的函数

def 转换日期字符串（日期）：
    return (datetime(1970, 1, 1) + timedelta(milliseconds=date)).strftime("%Y-%m-%d %H:%M:%S")

下一步是查看这些帖子标题中最常出现的单词。 从下面的词云可以看出，Data Science、Big Data、AI、Analytics、Machine Learning、Python、self-driven（关于自动驾驶汽车）是一些最常出现的词。

拍手数、响应数的分布高度偏斜。 708 个帖子的掌声少于 500 个。 这表明很少有帖子变得流行。 以下是掌声分布：

大多数文章的阅读时间（分钟）在 1 到 3 分钟之间。

在 Medium 上，每个帖子最多可以有 5 个标签。 标签可帮助读者更轻松地找到内容。 标签越相关，越容易找到。 正如我们在图片中看到的，数据科学是最常用的标签，其次是机器学习、大数据、人工智能。 以下是与数据科学相关的前 10 个标签：

根据用户响应创建集群

有三个指标可以衡量帖子在 Medium 上的受欢迎程度。 #Claps、#Responses 和 #Recommends。 为了进行公平比较，我还包括了特征#Days between First Published and data collection date。在这个特征集上，我应用了k-means聚类并确定了三个聚类。 从下图中我们可以看出，跨集群（人气组）的三个指标之间存在巨大差异。 此外，我们可以看到，对于不太受欢迎的帖子，尽管发布和报废之间的平均天数最高，但他们的参与度非常低。 以下是跨集群（人气组）的指标：

从下图中我们可以看出，对于更受欢迎的文章，中高人气文章的中位数是 9 和 7。与不太受欢迎的文章相比，它们也有更多的链接。 这意味着热门帖子是指其他帖子和其他信息来源，可为内容增加更多价值。 热门帖子和非热门帖子之间的区别

从上图中我们也可以看出，中等人气的帖子更接近于高人气的群体，而不是低人气的群体。

通过简单的 k-means，我们能够识别出 Medium 上与数据科学相关的热门和非热门帖子。

学习世界顶尖大学的数据科学课程。 获得行政 PG 课程、高级证书课程或硕士课程，以加快您的职业生涯。