第一回 チキチキQiita戦闘力ランキング選手権

Qiitaを分析したくなったので、pandasの勉強がてら、色々調べてみた。¹

TL;DR

• 500Contributionあれば上位1%の発信力
• バズらせたいなら、月曜日に投稿すべし
• Contributionの獲得難易度は、ピーク時の5倍以上
• エンジニアスカウターっていうQiita戦闘力計測サイト作ったよ

ユーザ分析

DataFrame

用意したDataFrameはこんなやつ。

	user_name	contribution	articles_count	hatena_count
0	tmknom	6273	11	2809
1	Qiita	8155	5	915

QiitaでのContribution数と記事数だけでなく、はてブ数も加味している。

ユーザ数

用意したDataFrameの行数を出力して、全ユーザ数、投稿したことのあるユーザ数、Contributionしたことのあるユーザ数、はてなブックマークでブックマークされたことのあるユーザ数を算出してみる。

df.index.size # 全ユーザ
df.query( 'articles_count > 0' ).index.size # 投稿ユーザ
df.query( 'contribution > 0' ).index.size # Contributionユーザ
df.query( 'hatena_count > 0' ).index.size # はてブられユーザ

	ユーザ数	比率
全ユーザ	208,705	100.0%
投稿ユーザ	31,904	15.3%
Contributionユーザ	30,432	14.6%
はてブられユーザ	20,603	9.9%

投稿しているのは15%ということで、Qiitaに記事を書いてるだけで、ちょっとレアである。

基本統計量

pandasでは、describeメソッド一個で基本統計量が出せる。ここでは、ソフトウェアのための統計学にならい、99パーセンタイルなども算出してみた。

p = [0.25, 0.5, 0.75, 0.9, 0.95, 0.99, 0.999]
df.describe(percentiles=p)

	Contribution数	投稿数	はてブ数
count	208705.000000	208705.000000	208705.000000
mean	24.335612	1.372521	6.626387
std	290.758000	14.951549	105.475602
min	0.000000	0.000000	0.000000
25%	0.000000	0.000000	0.000000
50%	0.000000	0.000000	0.000000
75%	0.000000	0.000000	0.000000
90%	9.000000	2.000000	0.000000
95%	50.000000	6.000000	7.000000
99%	500.960000	28.000000	113.000000
99.9%	3148.400000	99.000000	1138.072000
max	37316.000000	5550.000000	18320.000000

この結果をふまえると、9Contributionで上位10% に食い込むことができる。さらに、500Contributionあれば上位1% に入れる。1つ記事がバズると手に届くレベルだ。

そんなわけで、500Contribution以上あるユーザは、「自分、ITエンジニアの中で、上位1%の発信力がありますけど」とか言いながら、給与交渉したり、転職したりすればいいんじゃないだろうか。（適当

分布

pandasのqueryメソッドを使うと、簡単に任意の条件のデータを抽出できる。

df.query( 'contribution >= 1' ).index.size

Contribution数、はてブ数、記事数でそれぞれ分布を出してみたので、圧倒的ふーん感をお楽しみ頂きたい。

Contribution数分布

Contribution数	ユーザ数	比率
1 以上	30,432	14.6%
10 以上	20,266	9.7%
100 以上	7,087	3.4%
500 以上	2,092	1.0%
1,000 以上	984	0.5%
5,000 以上	96	0.05%
10,000 以上	32	0.02%

はてブ数分布

はてブ数	ユーザ数	比率
1 以上	20,603	9.9%
10 以上	9,071	4.3%
100 以上	2,291	1.1%
500 以上	553	0.3%
1,000 以上	251	0.1%
5,000 以上	14	0.007%

記事数分布

記事数	ユーザ数	比率
1 以上	31,904	15.3%
10 以上	7,386	3.5%
50 以上	805	0.4%
100 以上	207	0.1%
500 以上	5	0.002%

投稿ユーザ基本統計量

今度は趣向を変えて、記事投稿をしていないユーザを除外した場合についても見てみよう。

p = [0.25, 0.5, 0.75, 0.9, 0.95, 0.99, 0.999]
df.query( 'articles_count > 0' ).describe(percentiles=p)

	Contribution数	投稿数	はてブ数
count	31904.000000	31904.000000	31904.000000
mean	158.854720	8.978561	43.334253
std	728.804397	37.337983	266.809524
min	0.000000	1.000000	0.000000
25%	4.000000	1.000000	0.000000
50%	19.000000	3.000000	2.000000
75%	81.000000	9.000000	12.000000
90%	316.000000	20.000000	62.000000
95%	650.000000	33.000000	159.000000
99%	2389.910000	80.000000	810.850000
99.9%	9913.409000	232.097000	3331.864000
max	37316.000000	5550.000000	18320.000000

記事を投稿している人だけに絞ると、一人あたりの記事数は平均9だった。中央値に至っては3記事ということで、そもそも発信している人数も少ないのだが、一人あたりの発信している数も少ない。もちろんQiitaじゃなくて、個人のブログなどに書いてる人もいるだろうが、正直、自分の感覚値よりはるかに少ない印象である。

ユーザランキング

Qiita戦闘力 = Contribution数 + はてブ数

はてブのデータがあるので、Contributionとの合計を「Qiita戦闘力」という定義にして、100人分のランキングを出してみた。

順位	ユーザ名	Qiita戦闘力	Contribution数	はてブ数	記事数
1	@hirokidaichi	55,636	37,316	18,320	37
2	@jnchito	46,927	36,374	10,553	202
3	@icoxfog417	41,388	29,877	11,511	149
4	@suin	32,753	23,844	8,909	729
5	@mizchi	31,457	19,556	11,901	234
6	@shu223	26,321	20,659	5,662	186
7	@yuku_t	25,689	17,947	7,742	197
8	@KeithYokoma	23,416	18,696	4,720	142
9	@opengl-8080	23,206	17,868	5,338	248
10	@mpyw	22,694	18,128	4,566	267
11	@awakia	20,582	16,232	4,350	153
12	@kazunori279	20,207	11,965	8,242	43
13	@cognitom	19,235	14,072	5,163	96
14	@mono0926	18,630	15,099	3,531	94
15	@kenju	18,596	17,503	1,093	120
16	@haminiku	17,829	13,377	4,452	72
17	@muran001	17,407	13,479	3,928	34
18	@koher	17,342	12,759	4,583	64
19	@appwatcher	17,283	11,886	5,397	60
20	@b4b4r07	17,233	13,666	3,567	57
21	@zaru	16,649	12,413	4,236	116
22	@rana_kualu	16,590	11,271	5,319	214
23	@kawasima	16,256	10,513	5,743	81
24	@shibukawa	15,743	9,441	6,302	102
25	@yimajo	15,451	11,256	4,195	149
26	@edo_m18	15,243	13,063	2,180	372
27	@susieyy	14,604	11,769	2,835	50
28	@kenmatsu4	14,570	10,685	3,885	66
29	@joker1007	14,375	9,760	4,615	105
30	@tadsan	13,531	9,665	3,866	175
31	@uasi	13,499	10,066	3,433	117
32	@hshimo	13,084	10,518	2,566	307
33	@ynakayama	12,757	10,243	2,514	190
34	@t_nakayama0714	12,491	8,537	3,954	36
35	@takeharu	12,090	10,383	1,707	18
36	@zembutsu	11,891	8,119	3,772	87
37	@kawaz	11,778	8,522	3,256	146
38	@hkusu	11,657	10,001	1,656	210
39	@sion_cojp	11,633	8,505	3,128	41
40	@usagimaru	11,308	9,063	2,245	176
41	@tukiyo3	11,304	9,602	1,702	1,570
42	@Quramy	11,175	8,635	2,540	90
43	@vvakame	11,166	7,990	3,176	51
44	@kidach1	11,155	9,904	1,251	85
45	@tatesuke	10,903	7,147	3,756	40
46	@tonkotsuboy_com	10,838	8,818	2,020	114
47	@Hironsan	10,693	8,501	2,192	48
48	@syui	10,513	7,630	2,883	215
49	@Jxck_	10,471	7,150	3,321	62
50	@gogotanaka	10,255	6,815	3,440	57
51	@okappy	10,207	8,257	1,950	29
52	@y_hokkey	10,103	7,676	2,427	60
53	@tag1216	10,040	7,730	2,310	104
54	@jacksuzuki	9,933	7,189	2,744	5
55	@amay077	9,655	7,122	2,533	263
56	@kaiinui	9,507	7,356	2,151	47
57	@yuya_presto	9,492	7,208	2,284	40
58	@tmknom	9,195	6,379	2,816	11
59	@Qiita	9,187	8,271	916	5
60	@r7kamura	9,159	5,935	3,224	56
61	@tbpgr	9,154	7,619	1,535	732
62	@kazukichi	9,078	7,772	1,306	35
63	@armorik83	9,042	6,559	2,483	110
64	@howdy39	8,891	6,644	2,247	59
65	@TakahikoKawasaki	8,846	6,077	2,769	24
66	@magicant	8,310	5,913	2,397	36
67	@n0bisuke	8,208	6,966	1,242	288
68	@puriketu99	8,168	5,000	3,168	183
69	@ukiuni@github	8,021	6,064	1,957	68
70	@mochizukikotaro	8,012	6,227	1,785	246
71	@yaotti	7,961	6,206	1,755	151
72	@disc99	7,770	5,956	1,814	26
73	@ryounagaoka	7,700	5,249	2,451	47
74	@voluntas	7,552	5,571	1,981	107
75	@hidekuro	7,411	5,628	1,783	83
76	@daxanya1	7,326	5,757	1,569	30
77	@koba04	7,311	5,708	1,603	38
78	@chuck0523	7,262	5,337	1,925	44
79	@tenntenn	7,252	5,713	1,539	73
80	@kuni-nakaji	7,039	4,964	2,075	17
81	@nonbiri15	6,986	5,389	1,597	247
82	@hik0107	6,976	5,718	1,258	22
83	@okmttdhr	6,953	5,242	1,711	79
84	@Hiraku	6,725	5,031	1,694	129
85	@koogawa	6,709	5,617	1,092	65
86	@hnakamur	6,661	5,433	1,228	187
87	@nekoneko-wanwan	6,653	5,762	891	56
88	@harukasan	6,610	4,407	2,203	52
89	@takahirom	6,574	5,194	1,380	79
90	@k0kubun	6,571	5,114	1,457	61
91	@Ted-HM	6,519	4,997	1,522	16
92	@pugiemonn	6,491	5,614	877	269
93	@futoase	6,459	4,450	2,009	101
94	@shizuma	6,378	5,739	639	102
95	@yuba	6,363	4,167	2,196	89
96	@akameco	6,250	4,383	1,867	153
97	@m-yamashita	6,219	5,024	1,195	13
98	@toshihirock	6,206	4,918	1,288	199
99	@hashrock	6,189	4,797	1,392	26
100	@zaburo	6,169	5,402	767	233

トップ5あたりは正直、「つ、つよい…」っていう浅い感想しか出てこない。ちなみに、トップの@hirokidaichiさんのQiita戦闘力は、ドラゴンボールの戦闘力で例えるとリクームと同格である。

もう少し深掘りすべく、ここにランクインしているメンバだけで、記事投稿数を算出してみたところ、平均が134、中央値が86、という結果に。普通の人と比べると、圧倒的に量を書いていることが分かる。

記事投稿数

さすがに100人分は多いので、ここからはダイジェストということで、上位10人をランキング。

順位	ユーザ名	Qiita戦闘力	Contribution数	はてブ数	記事数
1	@7of9	4,552	4,320	232	5,550
2	@tukiyo3	11,304	9,602	1,702	1,570
3	@tbpgr	9,154	7,619	1,535	732
4	@suin	32,753	23,844	8,909	729
5	@ohisama@github	476	450	26	636
6	@chen7897499	75	67	8	457
7	@tcsh	1,496	1,267	229	384
8	@snaka	3,689	3,214	475	375
9	@edo_m18	15,243	13,063	2,180	372
10	@hshimo	13,084	10,518	2,566	307

@7of9さんがぶっちぎりの1位で、一人で5,000件以上の記事を投稿している。2位とも3倍の差をつけている。一体、どういうことなんだってばよ…。

Contribution平均打点

一記事あたりの平均Contribution数を算出してみた。²

一記事だけで、大ヒットになってる人が多かったので、ここでは、規定打席数（投稿数）が9以上³の人のみを対象とした。

順位	ユーザ名	平均打点	Contribution数	記事数
1	@hirokidaichi	1008.5405	37,316	37
2	@tmknom	579.9091	6,379	11
3	@takeharu	576.8333	10,383	18
4	@tawago	412.4	4,124	10
5	@muran001	396.4412	13,479	34
6	@m-yamashita	386.4615	5,024	13
7	@nori0620	372.5455	4,098	11
8	@koitaro	324.5	3,894	12
9	@Ted-HM	312.3125	4,997	16
10	@kuni-nakaji	292.0	4,964	17

首位打者の栄光は、@hirokidaichiさんに輝いた。地味に、筆者も2位にランクインしており、なかなか頑張ってるんじゃなかろうか。

はてブ平均打点

同様に、はてブでもやってみた。ただ、QiitaのContributionと、はてブの相関が高く、あまり代わり映えのしないメンツになってしまった。（ヒドイ言い草

順位	ユーザ名	平均打点	はてブ数	記事数
1	@hirokidaichi	495.1351	18,320	37
2	@tmknom	256.0	2,816	11
3	@kazunori279	191.6744	8,242	43
4	@nori0620	168.9091	1,858	11
5	@tnj	143.6667	1,724	12
6	@yugui	141.125	2,258	16
7	@taiyop	136.0	1,224	9
8	@tawago	135.4	1,354	10
9	@saboyutaka	127.875	2,046	16
10	@make_now_just	126.2222	1,136	9

ここでも、@hirokidaichiさんの強さが際立ち、三冠達成である。ちなみに、この方、エンジニアリング組織論への招待という書籍を最近出版されていて、この本もなかなかに読み応えがあってオススメである。

記事分析

DataFrame

こんな感じのDataFrameを用意した。

posted_date	item_id	user_name	contribution	hatena_count
2011-11-04	c686397e4a0f4f11683d	Qiita	6381	642
2016-01-21	303db2d1d928db720888	tmknom	2539	783

累計値

まずはどのくらい、Qiitaの記事が、世の中に貢献しているか見てみる。

df.agg({'item_id': 'count', 'contribution': 'sum', 'hatena_count': 'sum'})

合計記事数	合計Contribution数	合計はてブ数
289,874	4,864,342	1,335,242

年別累計値

ちょっとバラして、年別に集計。2018年については、4月中旬までのデータである。なお、Qiitaのサービス提供開始日は2011年9月16日らしい。

df_y= df.set_index([df.index.year, df.index])
df_y.index.names = ['posted_year', 'posted_date']
df_y.groupby('posted_year').agg({'user_name': lambda x: x.nunique(), 'item_id': 'count', 'contribution': 'sum', 'hatena_count': 'sum'})

年	記事数	投稿ユーザ数	Contribution数	はてブ数
2011	579	154	10,853	1,819
2012	6,744	1,205	121,245	36,319
2013	15,798	2,919	401,529	93,172
2014	39,914	6,687	1,239,310	309,903
2015	56,716	10,723	1,277,125	291,687
2016	70,891	14,481	1,105,809	300,471
2017	75,434	17,800	566,944	241,953
2018	23,798	7,848	141,527	59,918

アレ？なんかContribution数が、2017年になって半減してる…。

このデータ自体は、その年に書かれた記事が、2018年4月までの間に、どれだけContributionしたかというデータなので、昔の記事のほうが値は大きくなりやすいのだが、それにしてもちょっと減りすぎじゃ…。

投稿ユーザ数推移

月別の推移

さらに分解して、投稿ユーザ数の推移を見てみる。グラフ描画にはseabornを使ってみた。

df_ym= df.set_index([df.index.year, df.index.month, df.index])
df_ym.index.names = ['posted_year', 'posted_month', 'posted_date']
grouped = df_ym.groupby(['posted_year', 'posted_month']).agg({'user_name': lambda x: x.nunique()})
sns.pointplot(x=grouped.index, y=grouped['user_name'], markers=[""], color='red')

基本的に順調に増加している。アドベントカレンダー砲の威力は凄まじく、12月だけ他の月の倍ぐらい投稿ユーザ数が増えている、というのが特徴的。

移動平均

12月だけ異常なので、12ヶ月の移動平均でもプロットしてみた。

rolling = grouped.rolling(window=12).mean()
sns.pointplot(x=rolling.index, y=rolling['user_name'], markers=[""], color='red')

順調にQiitaに投稿する人の数は増えているようだ。

記事投稿数推移

月別の推移

次に、記事投稿数の推移を見てみる。

grouped = df_ym.groupby(['posted_year', 'posted_month']).agg({'item_id': 'count'})
sns.pointplot(x=grouped.index, y=grouped['item_id'], markers=[""], color='purple')

やはり、アドベントカレンダーの影響で、12月の記事数が飛び抜けて多い。

移動平均

先程同様、12ヶ月の移動平均も出してみよう。

投稿される記事の数も、順調に伸びてるようだ。

Contribution数推移

月別の推移

問題のContribution数の推移を見てみよう。

grouped = df.groupby('year_month').agg({'contribution': sum})
sns.pointplot(x=grouped.index, y=grouped['contribution'], markers=[""], color='green')

移動平均

12ヶ月の移動平均でもプロットしてみる。

2016年詳細

ターニングポイントは2016年である。詳細な数値を出してみよう。

月	Contribution数
1	107,679
2	98,781
3	111,455
4	102,500
5	90,635
6	77,270
7	82,386
8	64,438
9	72,462
10	71,804
11	53,645
12	150,423

細かく数字を見てみると、2016年5月ごろから下落傾向を示しはじめ、2016年11月に大きく落ち込んでいる。5月のほうは理由がよく分からないが、11月については、「ストック」ではなく「いいね」をContributionの算出基準にするという仕様変更の時期と合致している。

その後もじわじわ下がり、2018年3月の結果は42,000程度であった。二年前と比較すると明確にContributionを獲得しづらく、数値的な意味での承認欲求は得づらくなっているようだ(´・ω・`)

平均Contribution数推移

今度は一記事あたりの平均Contribution数を見てみよう。

grouped = df_ym.groupby(['posted_year', 'posted_month']).agg({'item_id': 'count', 'contribution':'sum'})
grouped['rate'] = grouped['contribution'] / grouped['item_id']
sns.pointplot(x=grouped.index, y=grouped['rate'], markers=[""], color='green')

現在は、一記事あたり平均6Contributionなのに対し、2014年4月は34Contributionであり、実にピーク時の5.5倍も差が開いている。Contribution数の総和が下落傾向なのに、投稿記事数は右肩上がりなので、Contributionの獲得難易度が大きく上がっているようだ。

みんなもっと気軽に「いいね」して！

はてブ数推移

月別の推移

はてブも同様に見ておこう。

grouped = df.groupby('year_month').agg({'hatena_count': sum})
sns.pointplot(x=grouped.index, y=grouped['hatena_count'], markers=[""], color='blue')

やや減少傾向にあるが、なんとか踏ん張ってる印象。

移動平均

12ヶ月の移動平均。

平均はてブ数推移

今度は一記事あたりの平均はてブ数を見てみよう。

grouped = df_ym.groupby(['posted_year', 'posted_month']).agg({'item_id': 'count', 'contribution':'sum'})
grouped['rate'] = grouped['contribution'] / grouped['item_id']
sns.pointplot(x=grouped.index, y=grouped['rate'], markers=[""], color='blue')

現在は、一記事あたり平均2.5はてブなのに対し、2014年5月は9.8はてブであり、ピーク時の3.9倍の差がある。

曜日別ランキング

どの曜日に出すとよりバズりやすいのか？結論を先にいうと、月曜日である。

直近一年ぐらいをスコープに算出した結果が下記である。ここでは省略するが、4半期単位や月単位でみても、あまり傾向は変わらなかった。

Contribution数

2018年

曜日	Contribution数	記事数	平均Contribution数
月	25,798	3,292	7.836574
火	21,159	3,373	6.273051
水	22,137	3,576	6.190436
木	24,341	3,347	7.272483
金	15,036	3,339	4.503145
土	13,728	2,914	4.711050
日	19,328	3,957	4.884508

2017年

曜日	Contribution数	記事数	平均Contribution数
月	98,970	11,191	8.843714
火	82,356	11,172	7.371643
水	82,339	11,377	7.237321
木	77,790	11,177	6.959828
金	81,756	10,715	7.630051
土	68,184	9,231	7.386415
日	75,549	10,571	7.146817

はてブ数

2018年

曜日	はてブ数	記事数	平均はてブ数
月	3,292	12,021	3.651580
火	3,373	7,773	2.304477
水	3,576	10,479	2.930369
木	3,347	12,312	3.678518
金	3,339	5,537	1.658281
土	2,914	4,092	1.404255
日	3,957	7,704	1.946929

2017年

曜日	はてブ数	記事数	平均はてブ数
月	11,191	42,514	3.798946
火	11,172	33,625	3.009757
水	11,377	32,753	2.878878
木	11,177	31,239	2.794936
金	10,715	36,058	3.365189
土	9,231	33,977	3.680750
日	10,571	31,787	3.007000

なぜ月曜日なのか？

おそらく、Qiitaの週間ランキングの集計タイミングと関係している。Qiitaのランキングは月曜はじまり日曜おわりで算出されており、集計時には月曜日がもっともContribution数が大きくなる。結果として、月曜日の記事は、ランキングの上位に位置しやすく、ランキングからの流入でさらにContribution数が増加するのである。

なお、Qiitaの週間ランキングは、メール経由での流入しかないわりに、かなりの集客力がある。感覚値では、ランキング上位に入ると、はてブのホットエントリと遜色ないぐらいの人の目に触れている印象である。

というわけで、渾身の記事をアップするのは月曜日にしてみてはいかがだろう。

Qiita戦闘力計測

せっかくデータがあるので、自分が全国でどのくらい発信力（Qiita限定だけど）があるのか教えてくれるサービスを作った。

• エンジニアスカウター

ドラゴンボールのどのキャラクターの戦闘力と近いのか教えてくれる、ムダな機能も搭載しているので、よかったらどうぞ。

参考

• ＤＲＡＧＯＮ　ＢＡＬＬ Ｚ戦士と敵の戦闘力表
• ソフトウェアのための統計学
• pandasにsqlでよくやる処理をやらせてみる
• Python Pandasでのデータ操作の初歩まとめ − 前半：データ作成＆操作編

1. 本記事の内容は、2018年4月中旬頃に、事前にスクレイピングして取得したデータに基づいている。 ↩

2. 正確に言うと、QiitaのユーザのContribution数は、記事のいいね数だけでは決まらないが、だいたい近似してるだろうという前提をおいた。 ↩

3. 投稿経験のあるユーザの、平均投稿数が約9だったので、この値を閾値としている。 ↩