酷应用

Python 爬取蔡徐坤的 10 万转发数据，竟是假流量？

百家作者：程序人生 2019-03-18 04:21:24

作者丨Alfred

责编 | 伍杏玲

本文经授权转载自 Alfred数据室（ID：Alfred_Lab）

315晚会揭露各企业的造假，怎么也没看看流量明星的数据造假呢？作为一名数据猿，我们秉着好奇心点开了NBA新春贺岁形象大使蔡徐坤的微博，发现他的微博转发量除了最新一条之外，其它的基本每条都是转发100万+。

在我们的印象中，转发100万+可是某些明星官宣结婚、或者某些明星吸毒出轨被爆等能让微博服务器奔溃的流量呀。蔡徐坤真的那么火吗？他的100万+转发里到底是否存在假流量？假流量所占比重有多少呢？

为了解答这个问题，我们通过微博移动端随机抓取了蔡徐坤最新一条微博《再见，“任性的”千千…》的10万条转发数据（时间节点2019年3月11日10时）。这条讲诉蔡徐坤关爱小动物的短视频微博，于2019年3月9日01:23发布，到2019年3月10日18:00的时候已经被转发100万+。

数据的维度包括转发者的相关信息（昵称、性别、关注者数量和被关注者数量等）以及转发时的评论等。

蔡徐坤的微博转发是否存在假流量？

解答这个问题之前，我们其实对于蔡徐坤的粉丝性别比例更加感兴趣。按理来说应该他的女粉丝所占比例应该更大，但是我们统计了102313条转发数据中，有93618条是男粉丝转发的，只有8695条是女粉丝转发的。

这不对呀，难道更多的男生喜欢蔡徐坤吗？而且这比例也太悬殊了一点吧？于是我们随机抽取了男生转发的数据，发现这些转发的男粉丝基本上都是关注0，粉丝1的用户。

我们合理地推测：这些流量就是所谓的假流量。

那假流量所占的比例有多少呢？在这随机抓取的10万条转发数据中，有多少是假的流量呢？

真假流量所占的比例各有多少？

通过一番探索分析，我们把转发数据中转发者的关注或者粉丝数少于等于5、没有简介、转发之后被点赞数评论数再转发数都为0、微博会员等级为0级的数据，以及转发者的关注或者粉丝数大于等于5但昵称长“用户XXXXXXXX”这样的数据抽取了出来。

这部分数据，便是我们所说的假流量。

可见，102313条转发数据中，有95397条是由假粉丝转发的，占了总转发的93.24%，只有6916条是由真粉丝转发的，占6.76%。原来假流量占的比重那么高啊！

那么6919条真粉丝转发的数据中，除去重复转发刷榜的数量，里面一共有多少个真粉丝在转发呢？我们把这部分数据按照粉丝微博ID进行去重。发现这里面只有3926个真粉丝在转发，也就是说，真实转发的粉丝数量，占总转发量的3.84%。

按照这个比例，可以推算出100万的转发中，真实转发的粉丝数为3.84万，说明蔡徐坤的粉丝群和影响力还是很大的，但远没有微博显示的全是100万+转发量那么大。

你可能会说：我们自己的微博，平时也有一些假粉丝在转发呀。为了进行对比，我们还抓取了最近活跃在《歌手》舞台的吴青峰叔叔（粉丝数1377万）最新的一条微博转发数据10006条（时间节点2019年3月11日10时）。

我们把这些数据按照跟上面一样的步骤提取出真假粉丝转发量，发现只有很少比例的假粉丝量，绝大部分都是真粉丝转发的。

并且，在9658条真粉丝转发数据中，真粉丝量也高达9318，说明不存在粉丝打榜的情况。跟蔡徐坤的数据相比，可以发现有明显的不同。

假流量粉丝是如何生产出来的？

在高达93.24%的假转发量中，这些假粉丝都是如何生产出来的呢？有什么共同的行为特征呢？我们先给假粉丝进行了用户画像。

可见95397条假转发中，有40838个假粉丝。其中男性的比例高达95.42%！

我们把转发中所携带的评论进行计数，看看假粉丝在转发的时候都喜欢说什么，却发现了一些更有趣的事。

很多假粉丝去转发微博用户“蔡徐坤的南岸末阴大小姐”和“超超超超爱蔡蔡的思思”的微博（大家千万不要去攻击他们哈），我们搜索了一下这两个人，发现她们的粉丝量只有一两百人，转载的全是蔡徐坤的微博，并且很多微博再转发量为0，却有少数的微博再转发量高达好几千！

这，估计就是自己花钱为偶像买流量的粉丝。

另外，我们发现很多假流量粉在转发的时候喜欢携带英文评论。搜索了一下发现，这些英文评论，要么是英文歌词、要么是美剧台词、要么是泰戈尔或者聂鲁达的诗句。

在假粉丝使用的Top10转发设备中，Android高居榜首，这也再次证明了这些粉丝是假粉丝。

另外还有一些有趣的发现：假粉丝的平均关注是3.44，平均粉丝数是1.04，没有简介，昵称基本上都是“中文+英文和数字”这个格式，很多假粉丝的昵称都带有“坤”、“蔡”、“葵”、“kun”等字，头像都是蔡徐坤（说明很多都是定制粉啊）。

真流量粉的粉丝画像

先来看看真粉丝的性别比例。可见3926个真粉丝中，女生占了绝大部分，这才是符合逻辑的粉丝比例嘛。

在这些粉丝转发所携带的评论中可以看到，很多都是支持蔡徐坤拿下#明星势力榜#或者#东方风云榜#第一名而转发的。

真粉丝所使用的转发设备，各种设备分布都比较均匀，最受欢迎的是iPhone客户端。

真粉丝的平均关注量为222，平均粉丝数是179，同样，很多粉丝名字中喜欢带有“坤”、“蔡”、“葵”、“kun”等字。

我们把真粉丝的简介做成了词云图。

可见，真粉丝们的简介都喜欢带上蔡徐坤的名字，很喜欢蔡徐坤，想要一直陪着他走下去。看着里面的“少年”、“努力”、“自由”“追梦”等字眼，发现这就是我们以前的青春呀。

另外还把转发所带的评论做成了词云图。

可见，粉丝们都很在乎“风云榜”这件事，并且要帮助蔡徐坤拿第一名。里面有早安打卡的，有超级话题的，还有很多“开心”、“比心”、“温暖”等字眼。说明绝大部分真粉还是很温暖的。

总结

数据显示，蔡徐坤动辄100万+的微博转发中，确实存在绝大部分的假流量。这些假流量估计有两方面的来源：一是自身经纪公司购买的，二是忠实的粉丝自费购买的。

若是自身经纪公司购买的话，这确实扰乱了整个娱乐圈市场的运作，对于娱乐圈乃至整个社会风气都是不好的。若是忠实粉丝购买的，笔者觉得，数据只是一个数据，这其中的资金，可以通过其它方面更好的方面去给自己的偶像添加影响力呀。我看最近蔡徐坤转发的#脱贫攻坚战星光行动# 这个话题就很好呀，通过自己的影响力，去做更多正能量的事情。（作者满满的求生欲看到没？！）

作者简介：Alfred，毕业于暨南大学，数据挖掘算法工程师，主要研究领域为数据挖掘、机器学习。
源码：
https://github.com/Alfred1984/interesting-python/tree/master/CaiXuKun

热文 推荐

☞京东强推 995 工作制，中国式变态加班何时休？

☞315 后，等待失业的程序员

☞我的手机，被“探针”了吗？

☞中国程序员在德国：海外版抖音火爆，IT 人才稀缺！| 畅言

☞再不编程就老了！05 后比特币专家准备赚个 134,000,000 元！

☞大数据背后的无奈与焦虑：“128元连衣裙”划分矮穷挫与白富美？

☞麦克阿瑟奖得主Dawn Song：区块链能保密和保护隐私？图样图森破！

☞Pig变飞机？AI为什么这么蠢 | Adversarial Attack

☞那些简历造假拿 Offer 的程序员，后来都怎样了？

System.out.println("点个好看吧！");
console.log("点个好看吧！");
print("点个好看吧！");
printf("点个好看吧！n");
cout < < "点个好看吧！" < < endl;
Console.WriteLine("点个好看吧！");
Response.Write("点个好看吧！");
alert("点个好看吧！")
echo "点个好看吧！"