Pandasを使ったデータ分析の実践例 - やはりQiitaアドベントカレンダーの「企業・学校・団体」カテゴリーにはヘビーライカーが多かった

はじめに

Qiitaアドベントカレンダー2017 のランキングを見ていて気づいたことがありました。
それは 購読者数ランキングの上位はいろんなカテゴリーがあるのに、いいね数ランキングの上位は「企業・学校・団体」カテゴリーが独占状態 だということです。
不思議だったので Python の Pandas と Jupyter Notebook を使って色々と分析してみました。

調べたこと

主に2つの点を中心に調べてみました。

購読者数といいね数の関係

普通に考えれば購読者数が多ければそれだけいいね数も多くなるはずです。と思っていたのですが、ランキングを見る限りこのような関係は全くないように見えます。
この辺りをはっきりさせるために購読者数といいね数の相関関係を調べました。

「企業・学校・団体」カテゴリーについての仮説

とある「企業・学校・団体」のカレンダーにいいねしているユーザーを見ていたら、そのカレンダーの全記事にいいねしていることに気づきました。
このことから、「企業・学校・団体」カテゴリーのカレンダーでは大量にいいねしているユーザー=「ヘビーライカー」の人数が多いのではないか、という仮説を立てました。
これを証明するべく上位カレンダーでのライカーの特徴を調べました。

データ収集

分析するためにはデータを収集しなくてはなりません。
今回の分析では以下のデータが必要です。

  • カレンダーの情報
    • カテゴリー
    • 購読者数
    • いいね数
  • カレンダーの各記事の情報
    • いいね数
    • いいねしているユーザー(ライカー)

カレンダーの情報はQiita APIでは取得できないので、カレンダーのページをクロール/スクレイピングしました。手順は以下の通りです。

  1. カレンダー一覧ページ(https://qiita.com/advent-calendar/2017/calendars) からカレンダーのURLを取得する。
  2. カレンダーページ(https://qiita.com/advent-calendar/2017/:calendar_id) から購読者数、いいね数、各投稿のURLを取得する。
  3. 投稿のいいねしている人一覧ページ(https://qiita.com/:user_id/items/:item_id/likers) からいいねしている人のユーザー名を取得する。1

実装はPython3.6で以下のライブラリを使用しました。

  • Requests
    • Httpクライアントのライブラリ
  • Beautiful Soup
    • HTMLをパースするためのライブラリ
  • Click
    • コマンドラインツールをいい感じに作れるライブラリ
  • tqdm
    • プログレスバーを表示するライブラリ

作ったものはgithubで公開してあります。
https://github.com/tag1216/qiita-adcal-crawler

収集したデータ

収集したデータはgistに公開してあります。
ファイルサイズが大きいのでブラウザで開くと重いです。必要な方はzipをダウンロードするかgit cloneして下さい。
https://gist.github.com/tag1216/10d6a9f73d9a092cc632a70fb6d80abb
https://gist.github.com/tag1216/10d6a9f73d9a092cc632a70fb6d80abb/archive/c9c947120cc54d44404cfab67d997dc9ec864237.zip

以下ファイルの先頭3行です。

calendars.tsv(594行、70KB)

year calendar_id title url category participants_count likes_count subscribers_count
2017 haskell5 Haskell (その5) Advent Calendar 2017 https://qiita.com/advent-calendar/2017/haskell5 Programming Langs 5 23 0
2017 vivaldi Vivaldiブラウザー Advent Calendar 2017 https://qiita.com/advent-calendar/2017/vivaldi Web Technologies 1 3 0

items.tsv(14826行、1.9MB)

year calendar_id date user_name user_url title url
2017 haskell5 1 waddlaw https://qiita.com/waddlaw [翻訳]Haskell のパフォーマンスをデバッグする https://haskell.e-bigmoon.com/posts/2017-12-27-haskell-performance-debugging
2017 haskell5 2 waddlaw https://qiita.com/waddlaw haddock に Grid Table 記法が追加されました https://haskell.e-bigmoon.com/posts/2017-12-27-haddock-grid-table.html

likers.tsv(97085行、1.5MB)

year calendar_id date user_name user_url
2017 haskell5 4 takenobu-hs https://qiita.com/takenobu-hs
2017 haskell5 4 makoraru https://qiita.com/makoraru

分析

分析には以下を使用しました。

  • Pandas
    • データ分析を行うためのライブラリ
  • Jupyter Notebook
    • ブラウザ上でコードを実行して結果を表示できるツール

作ったNotebookはgistに公開しています。
https://gist.github.com/tag1216/0675f00fb0824270c1cf97e4d997c4bd

データが大きいせいかプレビューが表示されないことがあるので、その場合はnbviewerで見て下さい。
http://nbviewer.jupyter.org/gist/tag1216/0675f00fb0824270c1cf97e4d997c4bd

分析結果

それでは分析結果を見ていきましょう。

購読者ランキングといいね数ランキングの比較

各ランキングのTOP10がもう一方のランキングで何位なのかを確認しました。

pandasで順位を調べるにはrank()を使用します。

ranking = pd.DataFrame(calendars['category'])
ranking[['subscribers', 'likes']] = calendars[['subscribers_count', 'likes_count']].rank(ascending=False).astype(int)
ranking = ranking.reset_index()
display(ranking.set_index('subscribers').sort_index()[:10])
display(ranking.set_index('likes').sort_index()[:10])

購読者数ランキングTOP10

subscribers calendar_id category likes
1 vscode Editors 89
2 javascript Programming Langs 32
2 chromium Web Technologies 102
4 vue Libraries 35
5 docker DevOps 122
6 slack Services 212
7 smart-speaker IoT 15
8 vim Editors 60
9 go Programming Langs 50
9 vue2 Libraries 27

いいね数ランキングTOP10

likes calendar_id category subscribers
1 fromscratch Company 134
2 tis Company 152
3 crowdworks Company 218
4 livesense-gaku Company 152
5 ateam-lifestyle Company 258
6 musashino Company 91
7 ex-mixi Company 163
8 mixi Company 136
9 litalico Company 246
10 increments Company 156

これだけを見ると購読者数といいね数には相関性があるとは思えませんが、まだ断定はできません。

カテゴリー別総計

カテゴリー毎にカレンダー数、購読者数、いいね数の合計と、購読者数/カレンダー数、いいね数/カレンダー数、いいね数/購読者数を計算しました。

category cals subs likes subs/cal likes/cal likes/sub
Academic 22 3015 2284 137 103 0.757546
Company 204 5934 56898 29 278 9.588473
Databases 9 570 492 63 54 0.863158
DevOps 19 1787 670 94 35 0.374930
Editors 10 1980 1068 198 106 0.539394
IoT 17 1795 2800 105 164 1.559889
Libraries 61 5656 7080 92 116 1.251768
Miscellaneous 63 2093 5255 33 83 2.510750
Mobile 13 1452 2306 111 177 1.588154
OS 6 548 379 91 63 0.691606
Programming Langs 89 8994 10690 101 120 1.188570
Services 40 3108 2184 77 54 0.702703
Web Technologies 40 3691 2909 92 72 0.788133

image.png

「企業・学校・団体」(Company)だけ値が突出しているのが目立ちます。カレンダー数が多いのでいいね数が多いのは当然ですが、1カレンダー当たりのいいね数、1購読者当たりのいいね数が多いのが気になります。

購読者数といいね数の相関関係

購読者数といいね数の相関関係を調べてみます。
pandasで2つの値の相関関係を調べるにはcorr()で相関係数を算出したり、散布図を出力したりします。

全カレンダーでの相関関係

まずは全カレンダーで相関係数と散布図を見てみます。

calendars[['likes_count', 'subscribers_count']].corr()
corr
全体 0.196388
calendars.plot.scatter(figsize=(4, 4), x='subscribers_count', y='likes_count')

image.png

相関係数は低いし散布図も一見バラバラに見えるのですが、よく見ると縦に伸びるグループと横に伸びるグループがあるのがわかります。

先ほどのカテゴリー別総計で「企業・学校・団体」カテゴリーだけいいね数/購読者数の値が突出していたのでこれを色分けしてみます。
赤が「企業・学校・団体」、青がその他です。

colors = calendars['category'].apply(lambda x: 'red' if x == 'Company' else 'blue')
calendars.plot.scatter(figsize=(4, 4), x='subscribers_count', y='likes_count', color=colors)

image.png

見事に分かれました。

「企業・学校・団体」カテゴリーとそれ以外での相関関係

改めて「企業・学校・団体」カテゴリーとそれ以外を分けて相関係数と散布図を出してみます。

fig, ax = plt.subplots(1, 2, figsize=(8, 4))
calendars[calendars['category'] == 'Company'].plot.scatter(ax=ax[0], x='subscribers_count', y='likes_count', color='red')
calendars[calendars['category'] != 'Company'].plot.scatter(ax=ax[1], x='subscribers_count', y='likes_count', color='blue')

image.png

calendars.groupby(is_company)[['likes_count', 'subscribers_count']].corr()
is_company corr
False 0.574489
True 0.462269

全体で計算するより高い値になりました。
この値なら購読者数といいね数は相関関係にあるといって良さそうですね。

いいね数上位カレンダー

ここからはいいね数トップ50のカレンダーのみを分析対象とします。

カテゴリー毎の件数は以下の通りです。

category calendars
Academic 1
Company 35
IoT 2
Libraries 3
Miscellaneous 2
Mobile 2
Programming Langs 5

各カレンダーのいいね数、購読者数、いいね数、ライカーUU数、いいね数/購読者数、いいね数/ライカーUU数を算出します。
ライカーUU数とは、そのカレンダーをいいねしている人のユニークユーザー数のことです。
いいね数/ライカーUU数は、そのカレンダーをいいねしている人について、一人当たりいくつの記事にいいねしているかの平均値になります。

calendar_id category subs likes uu likes/sub likes/uu
fromscratch Company 94 3065 526 32.606383 5.826996
tis Company 80 3041 2105 38.012500 1.444656
crowdworks Company 52 2476 1765 47.615385 1.402833
livesense-gaku Company 80 2439 1799 30.487500 1.355753
ateam-lifestyle Company 43 2389 1481 55.558140 1.613099
musashino Company 133 2368 1522 17.804511 1.555848
ex-mixi Company 76 1941 1528 25.539474 1.270288
mixi Company 91 1909 1666 20.978022 1.145858
litalico Company 45 1489 1050 33.088889 1.418095
increments Company 79 1366 1070 17.291139 1.276636
livesense-kan Company 50 1361 906 27.220000 1.502208
livesense-ji Company 59 1353 827 22.932203 1.636034
kuso-app2017 Miscellaneous 186 1307 1200 7.026882 1.089167
basicinc Company 28 1107 774 39.535714 1.430233
smart-speaker IoT 421 1039 796 2.467933 1.305276
wacul Company 15 1030 859 68.666667 1.199069
globis Company 50 965 505 19.300000 1.910891
dmm2 Company 161 934 695 5.801242 1.343885
nttcom Company 73 902 646 12.356164 1.396285
axe Miscellaneous 62 892 781 14.387097 1.142125
justsystems Company 28 796 734 28.428571 1.084469
cdatasoftware Libraries 16 788 760 49.250000 1.036842
dwango Company 156 745 601 4.775641 1.239601
m3 Company 27 739 446 27.370370 1.656951
fujitsu Company 80 728 617 9.100000 1.179903
fringe81 Company 43 704 206 16.372093 3.417476
vue2 Libraries 395 653 508 1.653165 1.285433
lifull2 Company 31 638 494 20.580645 1.291498
lifull Company 50 605 461 12.100000 1.312364
ut_ap Company 49 601 573 12.265306 1.048866
math-and-computer Academic 385 593 481 1.540260 1.232848
javascript Programming Langs 487 589 335 1.209446 1.758209
hikkoshi Company 31 567 208 18.290323 2.725962
dwango2 Company 110 560 433 5.090909 1.293303
vue Libraries 460 554 431 1.204348 1.285383
firstserver Company 18 542 286 30.111111 1.895105
retty Company 44 537 365 12.204545 1.471233
firebase Mobile 246 527 393 2.142276 1.340967
okinawarb Company 9 500 484 55.555556 1.033058
toreta Company 45 485 435 10.777778 1.114943
accounting_saas_japan Company 16 467 80 29.187500 5.837500
vasily Company 44 457 215 10.386364 2.125581
webassembly Programming Langs 234 455 345 1.944444 1.318841
rust-lang Programming Langs 267 444 210 1.662921 2.114286
lit-mentor Company 45 441 148 9.800000 2.979730
swift Programming Langs 239 433 279 1.811715 1.551971
ios Mobile 198 429 229 2.166667 1.873362
a-t-brides Company 26 422 157 16.230769 2.687898
iotlt_neo IoT 104 408 331 3.923077 1.232628
go Programming Langs 395 397 278 1.005063 1.428058

いいね数/UU

カレンダー毎のいいね数/UUのグラフです。

image.png

ヒストグラムで表示してみます。

image.png

ほぼ1〜2の範囲に収まっています。3を超えるものは異常値とみて良さそうですね。

cals[cals['likes/uu'] >= 3]
calendar_id category subs likes uu likes/sub likes/uu
fromscratch Company 94 3065 526 32.606383 5.826996
fringe81 Company 43 704 206 16.372093 3.417476
accounting_saas_japan Company 16 467 80 29.187500 5.837500

日別いいね数

各カレンダーの日別(記事別)いいね数のヒストグラムです。

image.png

ほとんどが100いいね程度まで、これを超えるのはバズった記事と言えそうです。これは普段の投稿と感覚的には同じですね。

カテゴリー毎の基本統計量

カテゴリー毎に日別いいね数の基本統計量を見てみます。
左からカテゴリー、記事件数、平均いいね数、標準偏差、最小いいね数、四分位点、最大いいね数です。

category count mean std min 25% 50% 75% max
Academic 14.0 42.642857 55.556772 1.0 10.0 19.0 63.75 208.0
Company 758.0 54.098945 131.516465 1.0 11.0 18.0 32.75 1437.0
IoT 43.0 34.627907 84.698913 3.0 6.0 12.0 22.50 497.0
Libraries 52.0 39.019231 116.758086 1.0 3.0 8.5 18.25 754.0
Miscellaneous 25.0 88.600000 237.404718 3.0 5.0 10.0 24.00 1092.0
Mobile 37.0 26.810811 40.496802 4.0 8.0 15.0 27.00 241.0
Programming Langs 87.0 24.919540 33.193309 2.0 7.0 16.0 25.00 210.0

「企業・学校・団体」で特に目立った特徴は見当たりません。

カレンダー単位の基本統計量

カレンダー単位でみてみます。

calendar_id count mean std min 25% 50% 75% max
fromscratch 25.0 123.560000 32.751692 95.0 104.00 112.0 131.00 248.0
tis 25.0 122.160000 226.398925 14.0 22.00 35.0 63.00 870.0
crowdworks 24.0 105.875000 280.889629 22.0 25.00 28.0 47.75 1402.0
livesense-gaku 25.0 98.880000 240.755464 6.0 20.00 26.0 35.00 901.0
ateam-lifestyle 25.0 96.120000 145.153459 18.0 28.00 34.0 70.00 585.0
musashino 22.0 107.863636 201.179923 21.0 31.25 53.0 90.50 983.0
ex-mixi 11.0 177.272727 249.809564 9.0 21.50 30.0 211.00 785.0
mixi 20.0 95.550000 316.941880 4.0 11.75 14.0 28.00 1437.0
litalico 24.0 62.250000 128.545796 13.0 17.00 19.0 25.50 573.0
increments 9.0 156.777778 191.897614 2.0 25.00 52.0 276.00 509.0
livesense-kan 25.0 54.600000 105.620389 9.0 18.00 22.0 29.00 455.0
livesense-ji 25.0 54.280000 95.060735 10.0 21.00 32.0 62.00 498.0
kuso-app2017 16.0 82.375000 269.519047 3.0 5.75 11.5 22.50 1092.0
basicinc 24.0 46.291667 82.673522 3.0 10.00 16.0 27.00 344.0
smart-speaker 23.0 46.913043 101.306875 6.0 12.50 19.0 31.50 497.0
wacul 23.0 44.913043 106.530795 1.0 3.50 8.0 20.00 381.0
globis 21.0 46.380952 57.926226 15.0 22.00 26.0 29.00 256.0
dmm2 20.0 46.900000 103.101840 5.0 9.25 14.0 28.00 470.0
nttcom 24.0 37.750000 77.884669 4.0 8.50 18.0 32.00 391.0
axe 9.0 99.666667 180.739453 3.0 3.00 8.0 51.00 503.0
justsystems 25.0 34.480000 134.730632 2.0 4.00 9.0 11.00 681.0
cdatasoftware 16.0 49.750000 187.803621 1.0 2.00 3.0 3.25 754.0
dwango 18.0 41.666667 59.978427 6.0 9.50 18.0 36.50 248.0
m3 24.0 30.916667 58.471038 9.0 11.00 15.0 23.00 300.0
fujitsu 21.0 34.714286 110.747976 2.0 4.00 9.0 18.00 517.0
fringe81 25.0 28.200000 9.451631 17.0 22.00 25.0 29.00 58.0
vue2 18.0 37.444444 77.196634 2.0 7.75 14.5 28.75 337.0
lifull2 25.0 25.560000 74.079394 3.0 5.00 7.0 11.00 375.0
lifull 23.0 25.652174 70.808711 3.0 6.00 9.0 15.00 349.0
ut_ap 18.0 35.222222 116.619823 1.0 5.50 7.5 8.75 502.0
math-and-computer 14.0 42.642857 55.556772 1.0 10.00 19.0 63.75 208.0
javascript 20.0 22.550000 27.169013 4.0 6.00 15.0 20.75 100.0
hikkoshi 25.0 22.720000 18.183142 9.0 15.00 18.0 23.00 103.0
dwango2 15.0 35.733333 62.419625 1.0 9.00 11.0 20.00 240.0
vue 18.0 31.055556 60.325073 2.0 7.25 11.0 31.25 265.0
firstserver 24.0 22.625000 33.732725 8.0 11.00 13.0 17.00 162.0
retty 25.0 21.680000 28.988101 3.0 6.00 11.0 17.00 130.0
firebase 19.0 29.421053 54.398035 4.0 9.00 12.0 19.50 241.0
okinawarb 3.0 167.333333 219.730138 8.0 42.00 76.0 247.00 418.0
toreta 18.0 27.000000 89.658174 1.0 3.25 5.0 8.00 386.0
accounting_saas_japan 25.0 18.800000 6.474308 13.0 16.00 17.0 19.00 43.0
vasily 23.0 20.000000 16.234083 7.0 11.00 13.0 19.50 67.0
webassembly 14.0 32.500000 54.023855 2.0 8.00 12.0 24.50 210.0
rust-lang 19.0 22.789474 15.820447 4.0 15.00 21.0 26.00 71.0
lit-mentor 24.0 18.416667 6.021098 5.0 15.00 18.0 23.00 32.0
swift 18.0 24.555556 26.417958 2.0 5.25 14.5 37.75 98.0
ios 18.0 24.055556 18.001543 6.0 9.50 17.5 30.25 65.0
a-t-brides 25.0 17.000000 14.352700 8.0 12.00 15.0 16.00 84.0
iotlt_neo 20.0 20.500000 59.847614 3.0 4.00 5.5 10.50 274.0
go 16.0 24.187500 41.153726 4.0 7.75 14.0 22.00 175.0

先ほどの3つのカレンダーが今回も特徴的な値を示しています。

  • 最小値が大きい
  • 最大値が小さい
  • 標準偏差が小さい(いいね数のばらつきが小さい)

最小いいね数

各カレンダーの最小いいね数です。
fromscratchだけ95というダントツの異常値を出しているのでグラフ最大値は30までにしてあります。

likes_by_date.groupby(level=0, sort=False)['item_likes'].min()[:50].plot.barh(figsize=(4, 10), color=colors, xlim=(0, 30)).invert_yaxis()

image.png

「企業・学校・団体」のカレンダーに大きい値が目立ちます。

ライカー別いいね数

ライカー毎にそのカレンダーのいくつの記事にいいねしているかを集計した結果です。

likes_by_user = pd.DataFrame(likers.loc[cals.index].groupby('calendar_id')['user_name'].value_counts().rename('likes'))
likes_by_user = likes_by_user.join(cals['category'])
likes_by_user[:3]
calendar_id user_name likes category
a-t-brides ueki05 24 Company
a-t-brides nishio1873 23 Company
a-t-brides rf_p 22 Company

上の最終行はa-t-bridesのカレンダー内でrf_pというユーザーが22件の記事にいいねしているということです。

ヒストグラムを表示してみます。Y軸は対数です。

likes_by_user.plot.hist(logy=True, bins=50)

image.png

1カレンダー当たり1〜5件程度の記事にいいねしている人が最も多いですが、20〜25件の記事にいいねしている人もそこそこいるようです。

ヘビーライカーの割合

先ほどのライカー別いいね数を更にいいね数で集計します。

uu_by_likes = likes_by_user.groupby('calendar_id')['likes'].value_counts(sort=False).rename('uu').reset_index('likes')
uu_by_likes['likes_total'] = uu_by_likes['likes'] * uu_by_likes['uu']

uu_by_likes = pd.DataFrame(uu_by_likes).join(cals[['category', 'likes']].rename(columns={'likes': 'cal_likes'}))
uu_by_likes = uu_by_likes.sort_values(['cal_likes', 'likes'], ascending=[False, True]).set_index('likes', append=True)
uu_by_likes = uu_by_likes.drop('cal_likes', axis=1)

uu_by_likes[:3]
calendar_id likes uu category cal_likes likes_total
fromscratch 1 341 Company 3065 341
fromscratch 2 52 Company 3065 104
fromscratch 3 8 Company 3065 24

上の最終行はfromscratchのカレンダー内で3つの記事にいいねしている人が8人いて、この人たちのいいね数合計が8x3=24ということです。
これを円グラフにすることでいいね数が多いユーザー=ヘビーライカーの割合を視覚化できます。

「企業・学校・団体」とその他

「企業・学校・団体」とその他でのヘビーライカーの割合です。
色の濃い部分がヘビーライカーを表してます。
赤が「企業・学校・団体」、その他が青、左がライカー数、右がいいね数合計です。

uu_by_likes.loc[uu_by_likes['category'] == 'Company'].groupby('likes')[['uu', 'likes_total']].sum().plot.pie(subplots=True, figsize=(12, 6), colormap='Reds', legend=None)
uu_by_likes.loc[uu_by_likes['category'] != 'Company'].groupby('likes')[['uu', 'likes_total']].sum().plot.pie(subplots=True, figsize=(12, 6), colormap='Blues', legend=None)

image.png
image.png

ライカー数では違いがわかりませんが、いいね数合計で見ると「企業・学校・団体」のほうがヘビーライカーの影響が大きいことがわかります。

カレンダー毎のヘビーライカーの割合

次はカレンダー毎に見ていきます。
まずはライカー数の割合です。

fig, ax = plt.subplots(5, 10, figsize=(12, 6))
for axes, (calendar_id, df) in zip(ax.flatten(), uu_by_likes.groupby(level=0, sort=False)['uu']):
    colormap = 'Reds' if is_company[calendar_id] else 'Blues'
    df.plot.pie(ax=axes, title=calendar_id, colormap=colormap, labels=None)
    axes.get_yaxis().set_visible(False)

image.png

ヘビーライカーが多いカレンダーがいくつか存在します。

カレンダー毎のヘビーライカーいいね数合計の割合

いいね数割合です。

fig, ax = plt.subplots(5, 10, figsize=(12, 6))
for axes, (calendar_id, df) in zip(ax.flatten(), uu_by_likes.groupby(level=0, sort=False)['likes_total']):
    colormap = 'Reds' if is_company[calendar_id] else 'Blues'
    df.plot.pie(ax=axes, title=calendar_id, colormap=colormap, labels=None)
    axes.get_yaxis().set_visible(False)

image.png

ライカー数で見るより特徴が顕著に現れました。ヘビーライカーによるいいね数が3/4以上というカレンダーも存在しますね。

わかったこと

  • 購読者数といいね数の関係
    • 購読者数といいね数は相関関係にあり、購読者が多ければいいね数も多い
    • 「企業・学校・団体」カテゴリーは購読者一人当たりのいいね数が多い
  • 「企業・学校・団体」カテゴリーの特徴
    • 1カレンダー当たりのいいね数が多い
    • 1購読者当たりのいいね数が多い
    • 最小いいね数が大きい
  • 「企業・学校・団体」カテゴリーの一部カレンダーの特徴
    • 1ライカー当たりのいいね数が多い
    • 記事別いいね数のばらつきが小さい
    • ヘビーライカーによるいいね数への影響が大きい

考察

「企業・学校・団体」カテゴリーの購読者には、その組織に所属している人が多いのでしょう。そういう人たちは内容に関わらず同僚の記事はひいき目にいいねすると思うので、結果的にヘビーライカーが多くなりいいね数が伸びるのではないでしょうか。

感想

Pandas と Jupyter Notebook を使ったのは今回がほぼ初めてです。
今までこういうことをやるのは Excel や Googleスプレッドシート でピボットテーブルやグラフを作っていました。それと比べると格段にやりやすいですね。
でもPandasは覚えたてなのでまだ使いこなせていない所もあり、もっと簡単に書けたりわかりやすくビジュアライズできる所もあるかもしれません。
この辺りはこれから徐々に覚えていきたいと思います。


  1. カレンダーのいいね数ランキングは12月1日から1月4日までにいいねされた数を対象としていますが、投稿のいいねしている人一覧ページには対象外のライカーも含まれます。このため、ランキングのいいね数とは若干異なる値になります。 

Sign up for free and join this conversation.
Sign Up
If you already have a Qiita account log in.