「社群貼文探索性分析(EDA)」詳解

周進華 DataScience, Python

本案例的核心是「探索性資料分析 (Exploratory Data Analysis, EDA)」，目標是從原始數據中找出規律與洞察。我們將大量運用 pandas 進行資料處理，並結合 matplotlib 與 seaborn 進行視覺化。

1. 環境設定：中文字型

核心概念： matplotlib 或 seaborn 套件預設並未包含中文字型，若直接繪圖，圖表中的中文（如標題、座標軸標籤）將會顯示為無法辨識的方塊亂碼(暱稱為豆腐)。因此，繪製中文圖表前的第一步，就是手動安裝並設定字型。

本案例應用重點：

  • !wget ...: 我們在 Colab 中使用 wget 這個指令，從網路上下載一個開源的思源黑體字型檔 (.otf 檔)，並將其存放在系統的字型路徑中。
  • import matplotlib.font_manager as fm: 引入字型管理器，用來讀取我們剛下載的字型檔。
  • plt.rcParams['font.family'] = ...: 這是最關鍵的一步，透過 rcParams (runtime configuration parameters) 這個設定，我們明確地告知 matplotlib：「接下來所有的圖表，請一律使用我們剛剛指定的那個中文字型來繪製。」

2. 載入數據

  • files.upload(): 執行這行程式碼時，Colab 會在您的瀏覽器中跳出一個檔案上傳的對話視窗，讓您可以從本機電腦選擇要上傳的檔案
  • uploaded = ...: 當您選擇檔案並完成上傳後，files.upload() 會回傳一個 Python 字典 (dictionary)，裡面包含了您上傳的檔案資訊（檔名作為 key，檔案內容作為 value）。這個字典會被存放在 uploaded 這個變數中。
  • try: ... except Exception as e: ...：這是一個錯誤處理的結構。
    • try:: 程式會嘗試執行 try 區塊內的所有程式碼。
    • except Exception as e:: 如果在 try 的過程中，發生任何錯誤（例如，上傳的檔案不是 CSV 格式、檔案已損毀等），程式不會因此崩潰，而是會跳到 except 區塊，執行裡面的程式碼來處理這個例外狀況。
  • file_name = next(iter(uploaded))：因為 uploaded 是一個字典，我們需要從中取出檔名。
    • iter(uploaded) 會建立一個字典鍵（也就是檔名）的迭代器。
    • next(...) 則會從這個迭代器中取出第一個項目。由於我們一次只上傳一個檔案，所以這樣就能成功取得該檔案的檔名。
如果使用本地端的編輯器執行Python腳本（例如Spyder,VSCode），只要設定好工作目錄，就可以直接使用pandas read_csv() 方法載入數據集。upload()是用在當你使用colab環境時。

3. Pandas DataFrame – 資料的載入與檢視

核心概念： pandas 的 DataFrame 是我們進行資料分析的基礎結構，就像一張功能強大的電子表格。

本案例應用重點：

  • pd.read_csv(): 從 Colab 環境中讀取上傳的 CSV 檔案，並將其轉換成一個 DataFrame。
  • df.info() 與 df.head(): 這是資料分析的第一步。.info() 用來快速檢視資料的整體狀況（欄位名稱、資料型態、是否有缺失值），.head() 則是用來預覽資料的前幾行，確保資料載入正確。

4. Pandas – 時間序列資料處理

核心概念： 在分析社群貼文這類具有時間性的資料時，正確地處理時間欄位至關重要。

本案例應用重點：

  • pd.to_datetime(): Colab 讀取 CSV 時，日期時間會被當作一般的文字字串。我們必須使用 pd.to_datetime() 這個函式，將其轉換為 Python 認得的「時間物件」，這樣才能進行後續的時間排序或分析。

5. Pandas – 資料的計算、篩選與轉換

核心概念： 我們需要對原始資料進行加工，才能得到我們想分析的指標。

本案例應用重點：

  • df['New Column'] = ...: 建立一個新的欄位。例如，我們將多個互動指標相加，建立了一個 Total Interactions 欄位。
  • .sum(): axis=0(預設) 代表「沿著橫向 (列)」進行計算。它會沿著列的方向進行加總，也就是將每個欄的數值加起來。你可以想像成把表格「垂直」地加起來，得到每一欄的總和。我們用這個方法來計算每一篇貼文（每一列）的總’瀏覽次數’和總’觸及人數’，和每一篇貼文的各種互動指標的總數(‘按讚數’、’分享’、’留言數’、’珍藏次數’)
  • df[...]: 使用方括號來選取特定的欄位（例如 df['Likes']）或多個欄位（例如 df[['Likes', 'Shares']]）進行後續計算。
.sum(axis=1): 它會沿著欄的方向進行加總，也就是將每個列的數值加起來。你可以想像成把表格「水平」地加起來，得到每一列的總和。

6. Pandas – GroupBy 資料分組與彙總

核心概念： groupby 是 pandas 中最強大、最核心的功能之一，它能將資料根據指定的欄位進行「分組」，然後對各組分別進行計算。

本案例應用重點：

  • df.groupby('貼文類型'): 這是本案例的分析關鍵。我們根據「貼文類型 」這一欄將所有資料分成數個群組（例如 IG 圖像、IG 輪播等）。

你也可以參考「Python資料處理 (Data Processing)」”pandas篇”

7. Matplotlib & Seaborn – 資料視覺化

核心概念： 將分析完的數字轉換成圖表，才能讓人一目了然地看出結論。

本案例應用重點：

  • plt.figure(figsize=(10, 6)) 整句話的意思就是：「請幫我準備一張新的畫布，設定它的寬度為 10 英寸，高度為 6 英寸，接下來我要在這上面畫圖。」
  • sns.barplot() : 我們主要使用 seaborn 這個基於 matplotlib 的進階繪圖函式庫。barplot 用於繪製長條圖，並且可以透過 hue 參數，輕鬆繪製出比較不同類別的「分組長條圖」。
  • plt.title() / plt.xlabel() / plt.ylabel(): 這些 matplotlib 的基本函式，用來為我們的圖表加上標題與 X/Y 軸的說明，讓圖表更具可讀性。
  • plt.xticks(rotation=45): 當 X 軸的標籤文字過長時，可能會互相重疊而難以閱讀。這個函式可以將 X 軸的標籤旋轉 45 度，讓它們錯開顯示。
  • plt.tight_layout(): 自動調整圖表的邊距，確保圖表上的所有元素（如標題、標籤）都能完整顯示，不會被裁切掉。
  • plt.grid(True, axis='y'): 為圖表加上格線，axis='y' 代表只顯示水平格線，這有助於讀者更精確地對照 Y 軸的數值。
  • plt.legend(title='...'): 在使用 hue 參數繪製分組圖表時，這個函式會顯示圖例來說明不同顏色代表的類別，並可以為圖例設定一個標題。
  • plt.show(): 這是顯示圖表的最後一個指令。前面所有的 plt 或 sns 函式都只是在「畫布」上設定與繪製圖形，直到呼叫 plt.show()，圖表才會被真正地渲染並顯示出來。
  • fig, axs = plt.subplots(...): 當需要在一張大畫布上同時呈現多張圖表時，這個函式非常有用。plt.subplots(1, 2, ...) 代表建立一個包含「1 列、2 欄」的子圖網格。它會回傳兩個物件：fig 代表整個大畫布，而 axs 則是一個包含各個子圖（可以透過 axs[0], axs[1] 來存取）的陣列，讓我們可以在指定的位置上分別繪圖。

你也可以參考「Python資料視覺化 (Data Visualization)」”長條圖＆圓餅圖”、”matplotlib”、”seaborn”

總結來說，這個案例的學習路徑是：

讀取資料 -> 時間格式轉換 -> 計算新指標 -> groupby 分組計算 -> matplotlib/seaborn 繪製圖表。