用Python分析5万+个WordPress插件

转自丘壑博客，转载注明出处

bestscreenshot.com/data-analys…

在以前的文章中，咱们已经把WordPress.org上的全部插件信息爬取下来，并分析了一些关于插件开发者的结论。本次是针对是插件的信息作一些简单分析。

分析插件的维度也有很多，好比下载量、安装量、tag/分类，甚至代码自己。针对每一个维度也能提出一些有意思的问题角度。

总下载量是多少？下载量前十名是哪些？哪些分类的插件量下载量比较大？下载量和评分、插件描述文字之间是否是有什么关系？哪些插件是版本帝，版本更新比较快？这些均可以是一些角度，虽然未必有什么实际意义，也算是“Just for fun” 吧。

关于代码自己的分析，国外也有比较专业的网站和团队在作，好比有专门作WordPress插件的安全分析的团队 WPWhiteSecurity.com , 也有专门分析一个网站所使用的各类插件、技术栈的专业团队。总之，能够分析的内容是不少的。本次仅作一些简单的分析，也是抛砖引玉。

关于插件下载量

插件下载量总览

一碗米饭总共有多少粒米？这个总和数据的参考意义其实不大。同理，全部插件的全部历史下载量总和，只能算一个比较好玩的数据，能够做为一个WordPress市场份额的感性指标。这个数据很好计算，直接使用 pandas.DataFrame.sum 便可，sum会返回指定轴上值的和.

pandas.DataFrame.sum

简单加总一下能够看到，WordPress的插件被下载了将近30亿次，天文数字。做为一个参照，能够看下WordPress各个版本的下载总量：1478295868 ，14亿次

WordPress各个版本的历史下载量

召唤出老朋友describe查看以后，能够清晰的看出，总共54421个插件，每一个插件的平均下载次数为53,849次，最少的为0次，最多的为1.5亿次，WordPress的插件下载量仍是很是活跃的。

下载量Top 10的插件

获取下载量的排行，能够直接用nlargest来进行排序。nlargest()的优势就是能一次看到最大的几行，并且不须要排序，索引仍是按照以前的索引。

pandas.DataFrame.nlargest

下载最多的WordPress插件

前10个里面有两个是SEO相关的，互联网上在流量获取成本愈来愈高，看来SEO确实仍是刚需；还有著名的电商插件WooCommerce，可见WordPress也在CMS以外成为了中小企业自建电商平台的主要选择。下面就是插件下载量前十名的列表，都是明星插件，没用过的也基本都听过，耳熟能详的了

Yoast SEO

Akismet Anti-Spam

Jetpack by WordPress.com

Wordfence Security – Firewall & Malware Scan

Contact Form 7

WooCommerce

All in One SEO Pack

Google Analytics Dashboard Plugin for WordPress by MonsterInsights

WP Super Cache

WordPress Importer

下载量的区间分布

咱们的数据文件中，下载量是精确到个位的，其实有时候并不须要这么精细的粒度，好比在分类汇总的时候就可使用更粗的粒度。下面来看看插件下载量的区间分布，把具体的下载量的数据分个等级，拉平到一个居间内，看看0-1000的有多少，1000-10000之间的有多少等等。

一种方式是把下载量都除以10，用倍数来划分区间，比较麻烦

最方便的方式就是直接使用对数函数，而后把对数值向下取整，就是各自的区间了。主要用到如下几个函数：

np.floor 返回不大于输入参数的最大整数。 即对于输入值 x ，将返回最大的整数 i ，使得 i <= x。 注意在Python中，向下取整老是从 0 舍入。

np.log(a) np.log10(a) np.log2(a) : 计算各元素的天然对数、十、2为底的对数 。numpy的强大之处是能够直接对数组的全部元素进行计算。

这里有一个地方须要注意下，有的插件的下载量是0，根据对数的定义：

若是a的x次方等于N(a>0，且a不等于1)，那么数x叫作以a为底N的对数，记做x=logaN。其中，a叫作对数的底数，N叫作真数。

0没有对数，在numpy中取0的对数，会获得-inf(Infinity(无穷大）)那么处理办法也有几种：

• 删除相关数据：若是不影响总体数据分析，能够考虑去除相应行和列，直接把下载量为0的排除掉。
• 数值替换：
  • 事先替换：把零值替换成为一个“很是小的非零值”再取对数
  • 过后替换：先把全部数据都取对数，而后把-inf所有替换为0

每种方法的代码略有不一样，这里我采用的是事先删除的方式，由于下载为零的插件只有几个而已，并不影响分析。下面是具体代码：

基于range这个数据，能够很方便的把插件按下载量几个档次：个、10、百、千、万、十万、百万、千万、亿。按range汇总看下每一个档次的插件有多少个：

每一个下载量区间的插件数量

肉眼能够看出，数量最多的一档几种在range 3，也就是1,000-10,000 这一档。能到达7（千万级）、8（亿级）这两个级别的实属百里挑一。

进一步看一下，range 4（万级）以上的插件数量总共占了多少呢？

看出什么来了吗？典型的二八法则啊！20%的插件占了总下载量的97% ！

帕累托法则（英语：Pareto principle，也被称为 80/20 法则、关键少数法则、八二法则）^[1] 指出，约仅有20%的变因操纵着80%的局面。也就是说：全部变量中，最重要的仅有20%，虽然剩余的80%占了多数，控制的范围却远低于“关键的少数”

还能够看出一个结论，下载量在range 5(十万级)的插件总数占了4%，也就是说能进入十万级俱乐部已经算是很成功的插件了。

下载量的与其余因素的关系

上面咱们看到了一些插件下载量的整体概览，旱的旱死，涝的涝死，5万多个插件的下载量是很不平均，这也是很正常的，取决于不少方面的因素，好比功能是否是刚需、代码质量、营销推广、技术支持等等因素，也有正规军和业余爱好者之分。这些都是一些很差量化的东西，不过也有一些数据能够结合起来看看，是否是会对下载量有必定的影响，好比能够把这几个数据取出来一块儿分析：

• “rating”：数值类型，插件的评分
• “num_ratings”：数值类型， 评分的人数
• “support_threads”: 数值类型，该插件在WordPress.org上的用户求助帖子数量
• “support_threads_resolved”: 数值类型，用户的帖子被解决的数量
• "description"：字符串类型，插件的描述文字，这个描述的字数做为数值其实也能够做为一个指标

评分还有更新的指标，好比打5星的多少人，打4星的多少人等等，为了简化一点，评分只取一个打分人数便可，这个基本能反映出用户的反馈度；一样的原理，帖子也只取一个问题解决数量便可，这个能反映出开发者对用户问题的技术支持的响应度。因此，一共有四个维度：下载量、打分数、问题解决数、描述文字字数。这些维度各自之间的数据量级差异太大，从0到亿都有，直接拿来作图基本上什么都看不到，因此所有把他们都取对数，缩小到同一个刻度。那么这四个数据之间有什么关系呢？具体请看代码和图表：

下载量、打分数、问题解决数、描述文字字数的两两关系

这是一个信息量极大的散点图矩阵，一行简单的代码就可以让咱们获得整个图，使人惊叹。还能够根据须要再作进一步的美化和调整，具体能够参考这篇文章：如何利用散点图矩阵进行数据可视化

散点图矩阵会构建两种基本图形：直方图和散点图。位于对角线位置的直方图让咱们看到了每个变量的分布，而对角线上下的散点图则展现了变量两两之间的关系。例如，第一列几个散点图就展现了 下载量（downloaded） 和 评分数、问题解决数、描述字数 之间的关系。能够看出下载量越大的插件打分人数越高、问题解决数也较高，而插件描述字数和下载量之间就看不出什么特别明显的关系，也有下载量很高但描述不多的，也有描述文字写的不少但下载量寥寥的。

关于插件分类

最后，看一下插件的分类的状况。WordPress的插件没有明确的用途目录分类，使用的是tag机制，是一种比较松散的内容分类方式，有好处也有不方便之处。

每一个插件都有能够有不少个tag，为了统计每一个tag的总下载量，须要作一下数据结构的转换，代码以下：

从各个TAG的下载总量和插件数量能够看出来SEO、性能、安全、备份、电商、内容建设等等是最大的刚需。下一次，将就这几方面作一些优秀插件的推荐，敬请期待！

Related Posts

• 用Python爬取WordPress官网全部插件

• 用Python分析WordPress官网全部插件的开发者信息

• 用Python分析WordPress官网全部插件的开发者信息（续以及人物介绍）