最近在學(xué)習(xí)數(shù)據(jù)分析，接觸到知乎上知友“”的內(nèi)容，有一篇是他將豆瓣上6萬本書籍基礎(chǔ)信息爬到并且分享給大家（鏈接：），于是自己也想以這部分?jǐn)?shù)據(jù)為例，以我自己對數(shù)據(jù)分析的方法論，實(shí)踐一次。

前提有個說明，是因?yàn)椴恢浪且允裁礃拥囊?guī)則爬取的，所以樣本可能有偏差，但這不可避免，因此不再討論。

出發(fā)點(diǎn)

數(shù)據(jù)分析第一步：知道自己為什么要分析。

分析的目的是為了解決一個業(yè)務(wù)問題、驗(yàn)證一個假設(shè)、發(fā)現(xiàn)一個探索性的規(guī)律等，而不是為了分析而分析。

所以我給自己預(yù)設(shè)一個場景：我是一個圖書愛好者，希望能從這里面找到好書；以及我是一個出版行業(yè)的入門者，希望能從這里面的數(shù)據(jù)探索一些趨勢，增加對初版行業(yè)的了解。

初始數(shù)據(jù)的整理

拿到這張表，我發(fā)現(xiàn)表格還是需要整理的，例如：

1、作者里面有出現(xiàn)作者和譯者信息的情況、有多個作者的情況；

2、出版時間有多種格式

3、價格有不同類型的價格（如臺幣）、貨幣的不同表現(xiàn)方法

4、...

因此需要對數(shù)據(jù)做基礎(chǔ)的清晰和整理，使之成為一張可以分析的表格。

但在實(shí)際清理過程中發(fā)現(xiàn)，直接在原數(shù)據(jù)里做清理，工作量和難度都很大，因此決定先做正常分析，分析過程中發(fā)現(xiàn)有誤差的情況下，再做處理。這樣靈活性更高，并且顯著降低工作量。

分析

1、我想知道哪些書是好書

首先從圖書分值分布來看，整體打分是符合正項(xiàng)分布的。另外也能看到一個異常：約有6600本書目前還是0分，即還沒有人看，占比超過了10%。

單看正項(xiàng)分布的區(qū)域，發(fā)現(xiàn)大部分書籍的評價是在7.4-8.7分左右，因此可以初步猜測當(dāng)一本書分?jǐn)?shù)小于7.4分且評價人數(shù)不是過低（比如低于200、300），可能內(nèi)容質(zhì)量就已經(jīng)不高；而高于8.7且有很多人看的書，基本可以判斷為很高質(zhì)量的書籍了。