Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了

这一个多月以来,相信大部分人都跟小编我一样:早上打开手机的第一件事是看有关疫情的最新新闻,看今日有没有新增人数,新增了多少。眼看着数据从一开始的几十发展到现在的快8W,渐渐地数据在我们眼里就只是一串数字。

Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了

我们从数字中、新闻报道里都可以看出它的严重性,但是,如果我们通过数字仔细观察每一个患者的经历,真实的惨烈程度总是可以超乎我们的认知。其中,微博“肺炎患者求助”超话上的求助者经历,便是这场疫情惨烈程度的一个缩影。

到底哪些人会在“微博超话”这个原本的追星聚集地来进行求助呢?他们是否都得到了帮助?从求助到获得帮助,他们都经历了什么,等了多久?

一、Python爬取

这些数据怎么来?那肯定是只能通过python爬虫来获取(前提是不要获取别的东西,否则....),具体的过程我这里就不赘述了,有需要的可以看到文末自取。

Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了

我们获取了微博“肺炎患者求助”超话上的1055条求助信息(时间节点:2020年2月20日23时),并且对这些求助的患者求助时的状况、是否得到救助、得到救助的时间等信息进行了进一步的数据整理,去掉重复数据后得到638条数据,来解答以上的问题。

二、怎么分析

python可以进行数据分析吗?完全可以!

其实,Python这种伪代码性质的语言入门并不难,但是深入进去就不是什么简单的事情了,而且Python语言不能加密,但是目前国内市场纯粹靠编写软件卖给客户的越来越少,网站和移动应用不需要给客户源代码,所以这个问题就是问题了。

有什么东西能和python结合呢?于是我想到了BI工具!

BI工具的话,简单上手、灵活快捷,尤其敏捷BI,是不需要代码建模的。举个例子,FineBI等敏捷自助式工具,傻瓜式的操作很适合现在的数据分析小白入手,就算是掌握了R这种编程语言,也很适合拿来做分析工具。

关于FineBI,可能很多小伙伴或多或少了解过这款BI工具,这是目前市面上应用最为广泛的自助式BI工具之一,类似于国外的Tableau等BI分析工具,但FineBI在协同配合,数据权限上,能更好的解决国内企业的情况。

你可以把它视作为可视化工具,因为它里面自带几十种常用图表,以及动态效果

Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了
Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了
Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了

你也可以把它作为报表工具,因为它能接入各种OA、ERP、CRM等系统数据,各种数据库简直毫无压力,不写代码不写SQL就能批量化做报表

你还可以把它看作数据分析工具,其内置等常见的数据分析模型、以及各式图表,可以借助FineBI做一些探索性的分析

有了这一款工具之后,IT部门只需要将数据按照业务模块分类准备好,业务部门即可在浏览器前端通过鼠标点击拖拽操作,就能得到自己想要的数据分析结果。

三、数据可视化结果

以下所有都是为FineBI分析,我从开始做到结束,只用了3分钟的样子,自带ETL,就是这么快!

1、哪些天求助的人最多?

Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了

可以看到,2月4日到2月7日为这些患者集中在网上求助的时间,其中求助最多的是在2月5日。这个时间刚好跟爆发的数据相吻合。

Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了
新增确诊趋势

2、哪些人在微博求助?

在全国的救助力量都投入到一个地区之后,到底是哪些人会采用“微博”这个社交平台,并且在“微博超话”这个粉丝们用来追星的地方来进行救助呢?

我们对求助患者的年龄进行了统计,发现50岁以上的中老年人占了绝大多数的比例(81.9%)。

Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了
Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了
图片来自于网络

在微博上求助的人,更倾向于年龄大的患者。然而,年龄大的患者怎么会在微博超话上求助呢?我们对求助患者的信息进行统计,发现只有3.4%的求助信息是患者本人通过微博发出来的,有95.3%的求助信息都是别人代发的。

也就是说,这些老人因为信息不通畅、行动不方便等原因,只能由小辈帮忙发求助信息。

3、求助者多为重症患者,且带有基础疾病

他们在求助时的自身状况如何呢?我们从求助信息中提取出了这些求助者所描述的病症。

Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了

可以看到,“发烧”、“呼吸困难”、“咳嗽”、“乏力”、“胸闷”、“腹泻”、“呕吐”等都属于高频词汇,其中求助信息中出现“呼吸困难”症状的患者占了35.8%,有呼吸问题的患者占了48.2%。

这说明微博上的这些求助者多是危重症患者。另外,从这些患者的救助信息中可知,有21.1%的患者还带有“高血压”、“糖尿病”、“心脏病”、“冠心病”、“肾衰竭”等基础疾病。

Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了

4、他们等了多久?

Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了
Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了

从之前的察觉患病到最终获救,总共平均的时间是13天。

在这13天里,患者们以及患者的家人们到底经历了什么样寻求治疗的过程,遇到了多少的碰壁最后才得到救助呢?几乎每份求助信息中的患者“病情描述”都可以告诉我们答案。我们把患者的描述制作成了词云图,里面的每一个字,都写满了沉重和无奈。

Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了

5、是否每位求助者都得到了帮助?

在微博上求助的效果怎么样呢?从转发效果上看,即使有40%的微博求助者,其微博的粉丝数都小于50人,甚至有21.4%的求助者是为了求助刚注册了微博的微博新人,仍然有57.2%的微博获得了超过10次以上的转发,有30%的微博获得了超过50次的转发。

Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了

然而,最终这些求助者是否获取到了救助,才是救助的最终意义。根据我们的统计发现,只有26.5%的求助者最终在微博上反馈得到了救助。

所以,并不是每一位微博求助者都幸运地得到了帮助。由于病情的发展,一部分患者在没有等到救助之前,便凋零了。

Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了
Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了
Python爬取+BI分析后,微博求助患者的眼泪,全被数据看见了

相关推荐