为了保证每周找点事做（争取每周写一篇），我决定对我最近在学习数据分析的某在线平台下手，研究分析下该平台收费课程的质量。我是一个在线学习重度爱好者，哪个平台都试过，也上了十几门的课，最大的感受就是线上课程的质量很重要，如果质量差的话很容易半途而废，我依稀记得在某平台上上了一门老师讲PPT的课（没错，就是某某大学的R语言课程），上着上着就睡着了......
那么，用什么标准来衡量一门课程的好坏呢？判断一门课程质量好坏的方法有很多，这一次我打算从用户评分和评论入手。因为这次研究的对象是单一平台，没有涉及到其他平台，所以这次研究重点是该平台内课程的横向对比，找出比较受欢迎的课程和好评比较多的课程。
该平台目前有13门收费课程，其中有10门课程可以在介绍页面看到用户的评论信息，具体是长这个样子的：
课程信息包括了平均打分，学习时长，技能要求
五星好评自然被放在第一页
我先把这些评论信息全部抓取了下来，汇总成一个数据集，当然了在抓取信息的时候遇到了不少困难，比如这些数据是动态js生成的，好在最后都解决了。不过有一点值得吐槽。拿其中一门课举例，该课程页面上说一共有1000多条评论，可以“view all reviews”，但是我跑完数据发现总共才300多条，然后我去页面上又手动确认了下，的确普通用户能看到公开评论也就三百多条。
评论信息
评论星级
每门课程评论打分直方图
在这张图表我们可以看到“android basics”和“front-end web developer”是最热门的两门课，评论数量相对其他课程比较多。“predictive analytics for business”由于是刚出的新课，所以评论人数相对较少。
星级百分比分布
第二张图表是每个课程的每个星级所占的百分比。比如某门课打一星的人数占了这门课程总人数的多少，然后我把所有的课程做了一个对比。整体我们可以清晰地看到，大多数的人都打了五星，比重非常之高（当然，不排除平台本身为了证明课程的优秀，所以筛选出了较多五星比重的课程，所以只有课程之间的比较才相对有意义）。四星三星两星和一星比重相对递减。根据观察，我们可以发现几个特殊值：在五星中，上过android basics这门课程的人，打五星比重最高，是所有课程中五星比重最高的。而predictive analytics这门课，打2星的人群所占比重相对其他课程较高，这个和这门课程评论里有蛮多反响不是很好的评论的现象是一致的。
评论情感分析
因为抓取下来所有课程合起来有三四千条评论，我不可能每一条去看，所以我就采用了文本情感分析的方法。文本分析情感主要有字典匹配法和机器学习，我采用了前者，因为这些评论还是比较接近social dictionary的。具体的方法就是我先从unc下载了两个数据集，分别是positive words（积极词汇）和negative words（消极词汇）集。再把现在有的每个评论拆成单独的词汇，对词汇在positive words 和 negative words中进行匹配计数，最后计算得到每门课程评论中积极和消极词汇所占的百分比。
积极情感词汇率
我们可以看到，android basics在评论积极情感方面表现依旧突出，积极情感词汇所占的比重最高，其次是machine learning，我们又看到了predictive analytics for business排在了最后。
消极情感词汇率
在消极情感方面，predictive analytics for business毫无意外的排名第一，看来差评的确有点多。令人比较惊讶的是，machine learning出现在了第三的位置，说明这门课大家的感受有点两集分化的趋势。android basics的消极情感词汇出现率是最低的，再一次证明了大家对它的喜欢程度。
总结和展望
我通过对某平台课程分析，从评分和评论两个方向研究了平台上10门课程的情况，发现android basics是表现最为优异的课程，欢迎程度较高好，好评率也高，而刚新上的predictive analytics for business反响则有些差强人意。
这次文本分析采用了字典匹配法，希望在未来能够利用机器学习法更加精确的分析情感，希望接下来有机会多学习一下这方面的知识。另外，对pandas的使用还是不够熟练，虽然能通过搜索，查阅文档找到自己需要的操作方法，但是效率太低，后期还是要加强学习，特别是建立一个框架，能够提高处理数据集的速度。最后，因为这次数据集我觉得用户主观性比较大，而且可能有平台本身的筛选干扰（为了更好的来表现课程好），不一定能够反应实际情况，仅作参考。
网友评论