B站2016年10月至2017年1月新注册用户浅析

作为一名14年注册B站的LV.4中坚用户，我对新小伙伴是啥样的很有兴趣，于是用python爬取了近期注册用户的公开信息，准确时间点为2016-10-01 01:33:02至2017-01-12 01:29:31，有效数据182402。

数据获取通过python，将每位用户的 uid，昵称，性别，注册时间，生日，投稿，粉丝等信息存入AWS上的MySQL数据库中。数据清洗、处理、提取、分析、作图等大部分通过R完成。中途遇到不少问题，这个文章最后再说。

首先是性别分布，由于98%的用户都没有设置性别（账号刚生成时性别的默认值就是“保密”，而bilibili并非社交产品，一般除了up主基本不会特意设置个人信息，98%这种巨大的比例应该在正常范围内。）那么在剩下的区区2%中男女比例如下：

由于人数实在太少，所以上图并不能说明任何问题= =（请不要幻想妹子变多）

接下来是每位用户的粉丝数量

绝大部分用户都不是up主，没有投稿当然就没有粉丝，那么在拥有粉丝的用户当中粉丝数量的分布如下：

不足10个粉的占87%，我果然也是芸芸众生之一（只有1个粉= =），还有3%的人生赢家。

新生力量中粉丝数量TOP 3 up主分别是：

1.KrisKingdom翻译组（鲜肉吴亦凡的多语种翻译组）

2.环球时报英文北京版

（没有简介，看了下主页，投稿都是些“老外同志帅哥谈gay在华生活是一种什么样的体验”......）

3.opening左研开（投稿几乎全是游戏，以FGO为主。好巧，我也是FGO的脑残粉= =）

说道up主与粉，我之前猜想投稿数与粉丝数呈中度线性相关，不过结果↓

R平方项为0.1281，几乎不相关，至于它们之间到底是呈现别的相关关系还是干脆没关系，这个后面再探索。

下面是用户的活跃（等级）情况

由于注册时间较短，我把LV.1以上（不含LV.1）的用户当做活跃用户，LV.1的为普通用户，LV.0为僵尸用户。

注：在此贴上B站会员等级及经验值相关的官方说明，参照这个综合了各项因素，我把四个月不到的时间内新注册用户的活跃度按照上述分法划分，LV.0用户没有通过答题测试，也没有邀请码，他们不能发弹幕，也不能观看少部分限制正式会员身份的视频，也许对于B站来说他们不能算用户，我暂且把他们归类为“僵尸”。

至于“僵尸”的比例为何这么大，个人觉得无非以下几种情况：1.题目太难，他们一直通不过；2.懒得买邀请码（3年前某宝上几毛钱一个......）；3.反正大部分视频都能看，又对弹幕没兴趣，懒得转正。4.B站为了融资注的水（开玩笑= =）

我周围有不少小伙伴几乎每天都上B站看片，但他们连号都没有，也许类似的人还有很多。

最后看一下星座（什么？），在看爬下来的数据时发现生日数据的年份全部显示0000，上去一看发现公开资料中已经不显示年份了，只有日月，不想浪费掉，于是做了张星座分布图，权当一乐O(∩_∩)O

注：不含1月1日

好均匀的大饼

以上！

写在后面：

做这个还真是“千辛万苦”，刚开始启动爬虫程序时，出现了Memory Error，这个是python消耗的计算机资源过大，一般情况下换成64位python就没问题了，我机子就是32位，没法换，于是把迭代区间缩的很小，分N次爬取，本来打算爬个半年的，生生砍成了三个月半。后来怕ip被干掉找了个代理，花钱提取了100个没一个能用，太坑爹了，勉强找了一个能连上，一直用那个，并没有被封= =还有虽然模仿了浏览器访问但仍然报错403，查了下可能是访问太频繁，看了不少技术博客最后还是没解决......只能用时间来弥补。

拿到数据后想直接从数据库导入R，尝试了RODBC包，RMySQL包，sqldf包，都无法识别host（早知道就装在本机），只好导出为csv文件，然后通过read.csv()读到R中，幸好没有崩溃......

所有图都是R自带的函数做的，pie()，barplot()等，关于它们的参数和其他作图的扩展包后面有时间会慢慢研究。