轉自丘壑部落格，轉載註明出處
bestscreenshot.com/data-analys…在之前的文章中，我們已經把WordPress.org上的所有外掛資訊爬取下來，並分析了一些關於外掛開發者的結論。本次是針對是外掛的資訊做一些簡單分析。
分析外掛的維度也有不少，比如下載量、安裝量、tag/分類，甚至程式碼本身。針對每個維度也能提出一些有意思的問題角度。
總下載量是多少？下載量前十名是哪些？哪些分類的外掛量下載量比較大？下載量和評分、外掛描述文字之間是不是有什麼關係？哪些外掛是版本帝，版本更新比較快？這些都可以是一些角度，雖然未必有什麼實際意義，也算是“Just for fun” 吧。
關於程式碼本身的分析，國外也有比較專業的網站和團隊在做，比如有專門做WordPress外掛的安全分析的團隊 WPWhiteSecurity.com , 也有專門分析一個網站所使用的各種外掛、技術棧的專業團隊。總之，可以分析的內容是很多的。本次僅做一些簡單的分析，也是拋磚引玉。
關於外掛下載量
外掛下載量總覽
一碗米飯總共有多少粒米？這個總和資料的參考意義其實不大。同理，所有外掛的所有歷史下載量總和，只能算一個比較好玩的資料，可以作為一個WordPress市場份額的感性指標。這個資料很好計算，直接使用 pandas.DataFrame.sum 即可，sum會返回指定軸上值的和.
簡單加總一下可以看到，WordPress的外掛被下載了將近30億次，天文數字。作為一個參照，可以看下WordPress各個版本的下載總量：1478295868 ，14億次
召喚出老朋友describe檢視之後，可以清晰的看出，總共54421個外掛，每個外掛的平均下載次數為53,849次，最少的為0次，最多的為1.5億次，WordPress的外掛下載量還是非常活躍的。
下載量Top 10的外掛
獲取下載量的排行，可以直接用nlargest來進行排序。nlargest()的優點就是能一次看到最大的幾行，而且不需要排序，索引還是按照之前的索引。
前10個裡面有兩個是SEO相關的，網際網路上在流量獲取成本越來越高，看來SEO確實還是剛需；還有著名的電商外掛WooCommerce，可見WordPress也在CMS之外成為了中小企業自建電商平臺的主要選擇。下面就是外掛下載量前十名的列表，都是明星外掛，沒用過的也基本都聽過，耳熟能詳的了
Wordfence Security – Firewall & Malware Scan
Google Analytics Dashboard Plugin for WordPress by MonsterInsights
下載量的區間分佈
我們的資料檔案中，下載量是精確到個位的，其實有時候並不需要這麼精細的粒度，比如在分類彙總的時候就可以使用更粗的粒度。下面來看看外掛下載量的區間分佈，把具體的下載量的資料分個等級，拉平到一個居間內，看看0-1000的有多少，1000-10000之間的有多少等等。
一種方式是把下載量都除以10，用倍數來劃分割槽間，比較麻煩
最方便的方式就是直接使用對數函式，然後把對數值向下取整，就是各自的區間了。主要用到以下幾個函式：
np.floor 返回不大於輸入引數的最大整數。 即對於輸入值 x ，將返回最大的整數 i ，使得 i <= x。 注意在Python中，向下取整總是從 0 舍入。
np.log(a) np.log10(a) np.log2(a) : 計算各元素的自然對數、10、2為底的對數 。numpy的強大之處是可以直接對陣列的所有元素進行計算。
這裡有一個地方需要注意下，有的外掛的下載量是0，根據對數的定義：
如果a的x次方等於N(a>0，且a不等於1)，那麼數x叫做以a為底N的對數，記作x=logaN。其中，a叫做對數的底數，N叫做真數。
0沒有對數，在numpy中取0的對數，會得到-inf(Infinity(無窮大）)那麼處理辦法也有幾種：
- 刪除相關資料：如果不影響整體資料分析，可以考慮去除相應行和列，直接把下載量為0的排除掉。
- 數值替換：
- 事先替換：把零值替換成為一個“非常小的非零值”再取對數
- 事後替換：先把所有資料都取對數，然後把
-inf全部替換為0
每種方法的程式碼略有不同，這裡我採用的是事先刪除的方式，因為下載為零的外掛只有幾個而已，並不影響分析。下面是具體程式碼：
基於range這個資料，可以很方便的把外掛按下載量幾個檔次：個、十、百、千、萬、十萬、百萬、千萬、億。按range彙總看下每個檔次的外掛有多少個：
肉眼可以看出，數量最多的一檔幾種在range 3，也就是1,000-10,000 這一檔。能到達7（千萬級）、8（億級）這兩個級別的實屬鳳毛麟角。
進一步看一下，range 4（萬級）以上的外掛數量總共佔了多少呢？
看出什麼來了嗎？典型的二八法則啊！20%的外掛佔了總下載量的97% ！
帕累托法則（英語：Pareto principle，也被稱為 80/20 法則、關鍵少數法則、八二法則）[1] 指出，約僅有20%的變因操縱著80%的局面。也就是說：所有變數中，最重要的僅有20%，雖然剩餘的80%佔了多數，控制的範圍卻遠低於“關鍵的少數”
還可以看出一個結論，下載量在range 5(十萬級)的外掛總數佔了4%，也就是說能進入十萬級俱樂部已經算是很成功的外掛了。
下載量的與其他因素的關係
上面我們看到了一些外掛下載量的總體概覽，旱的旱死，澇的澇死，5萬多個外掛的下載量是很不平均，這也是很正常的，取決於很多方面的因素，比如功能是不是剛需、程式碼質量、營銷推廣、技術支援等等因素，也有正規軍和業餘愛好者之分。這些都是一些不好量化的東西，不過也有一些資料可以結合起來看看，是不是會對下載量有一定的影響，比如可以把這幾個資料取出來一起分析：
- “rating”：數值型別，外掛的評分
- “num_ratings”：數值型別， 評分的人數
- “support_threads”: 數值型別，該外掛在WordPress.org上的使用者求助帖子數量
- “support_threads_resolved”: 數值型別，使用者的帖子被解決的數量
"description"：字串型別，外掛的描述文字，這個描述的字數作為數值其實也可以作為一個指標
評分還有更新的指標，比如打5星的多少人，打4星的多少人等等，為了簡化一點，評分只取一個打分人數即可，這個基本能反映出使用者的反饋度；同樣的原理，帖子也只取一個問題解決數量即可，這個能反映出開發者對使用者問題的技術支援的響應度。所以，一共有四個維度：下載量、打分數、問題解決數、描述文字字數。這些維度各自之間的資料量級差別太大，從0到億都有，直接拿來做圖基本上什麼都看不到，所以全部把他們都取對數，縮小到同一個刻度。那麼這四個資料之間有什麼關係呢？具體請看程式碼和圖表：
這是一個資訊量極大的散點圖矩陣，一行簡單的程式碼就能夠讓我們得到整個圖，令人驚歎。還可以根據需要再做進一步的美化和調整，具體可以參考這篇文章：如何利用散點圖矩陣進行資料視覺化
散點圖矩陣會構建兩種基本圖形：直方圖和散點圖。位於對角線位置的直方圖讓我們看到了每一個變數的分佈，而對角線上下的散點圖則展示了變數兩兩之間的關係。例如，第一列幾個散點圖就展示了 下載量（downloaded） 和 評分數、問題解決數、描述字數 之間的關係。可以看出下載量越大的外掛打分人數越高、問題解決數也較高，而外掛描述字數和下載量之間就看不出什麼特別明顯的關係，也有下載量很高但描述很少的，也有描述文字寫的很多但下載量寥寥的。
關於外掛分類
最後，看一下外掛的分類的情況。WordPress的外掛沒有明確的用途目錄分類，使用的是tag機制，是一種比較鬆散的內容分類方式，有好處也有不方便之處。
每個外掛都有可以有很多個tag，為了統計每個tag的總下載量，需要做一下資料結構的轉換，程式碼如下：
從各個TAG的下載總量和外掛數量可以看出來SEO、效能、安全、備份、電商、內容建設等等是最大的剛需。下一次，將就這幾方面做一些優秀外掛的推薦，敬請期待！