这个项目是优达学城(Udacity)数据分析师(进阶)纳米学位的第二个项目。以数据清洗的演练为主要目的,并附带了额外的分析部分。
我们整理的数据集是推特用户 @dog_rates 的推特记录,推特昵称为 WeRateDogs。WeRateDogs 是一个推特主,他以诙谐幽默的方式对人们的宠物狗评分。这些评分通常以 10 作为分母。但是分子则一般大于 10:11/10、12/10、13/10 等等。为什么会有这样的评分?因为 "They're good dogs Brent." WeRateDogs 拥有四百多万关注者,曾受到国际媒体的报道。
我们在原始数据集中发现了14个问题,其中12个是质量问题,2个是整洁度问题。随后我们进行了一系列清洗操作。清洗操作完成后,我们为数据集手工添加了5个新的特征。在以点赞量和转赞比为核心指标,进行了推文受欢迎程度的主题探索后,我们发现以下三个现象:
-
人们对不同品种的狗的喜爱程度没有统计学意义上显著的区别;
-
WeRateDogs推文中,关于小狗的没有关于大狗的受欢迎;
-
推主打出的低分和高分推文在受欢迎方式上有区别:低分推文的转赞比较高,而高分推文的平均点赞量更高。
我们自信,截至2019年2月底,这个项目数据所作清洗的细致程度和后续分析的深度,在全球这一项目的所有公开作品中都能排在前列。
- 原始数据:
twitter_archive_enhanced.csv
:包含推文内容,推文id和使用编写糟糕的程序提取的一些特征。tweet.json
:每条推特的附加数据,包含了推文的转发和点赞情况(因此也是此项目的核心数据集)。此数据集我们直接使用了优达学城提供的版本,没有选择通过Twitter API获取。image-predictions-download.tsv
:包含对推文图片中狗狗品种的预测。按照项目要求,这个文件使用了Requst
库获取。
- 清洗后用于数据分析的主数据集:
twitter_archive_master.csv
- 项目完整代码,探索过程及代码运行结果:
wrangle_act.ipynb
和wrangle_act.html
- 按照优达学城项目审阅要求整理的报告文件:
act_report.md
,act_report.pdf
,act_report.html
:最终报告(不含代码)wrangle_report.md
和wrangle_report.pdf
: 技术报告(记录数据处理方法等技术细节,不含代码)