Part 1. 关于数据集
- 数据集简介
此数据集是YouTube平台上Trending List的每日统计信息。
时间跨度为2017年11月14日至2018年6月14日。包括了美国、英国、德国、加拿大、法国等国家和地区，每个地区一个文件，我选取了美国的数据。
“Trending List”的YouTube官方中文翻译是“时下流行”，可以理解为热门视频的榜单。类似微博的热搜机制，榜单内容在同一地区是相同的，不根据用户个人的喜好而做个性化推荐。但Trending List并不仅根据播放量等单一指标排序，YouTube综合了多种因素衡量用户对视频的互动热度（包括播放量、分享数、评论和点赞等）。
- 数据来源
通过Google数据搜索引擎，在Kaggle上找到的数据：
- 数据内容
数据集为csv格式，文件大小59.8M。
数据共计16个字段，40726条。
具体字段如下：
- video_id（视频ID）
- trending_date（推荐日期）
- title（标题）
- channel_title（频道标题）
- category_id（类型id）
- publish_time（发布时间）
- tags（标签）
- views（观看数）
- likes（点赞数）
- dislikes（不喜欢数）
- comment_count（评论数）
- thumbnail_link（缩略图链接）
- comments_disabled（是否允许评论）
- ratings_disabled（是否允许打分）
- video_error_or_removed（视频是否损坏或移除）
- description（描述）
Part 2. 关于YouTube
YouTube是世界著名的视频分享网站，总部位于美国加州。现在是Google的子公司之一。
它提供各类个人用户和企业媒体的上传视频及直播。用户可以上传，查看，评分，分享，收藏，评论视频并订阅其他用户。
视频内容包括视频剪辑、综艺节目剪辑、纪录片、音乐视频、录音、直播等等。YouTube上的大部分内容都是由个人上传的，也有包括CBS，BBC等在内的媒体公司提供部分内容，作为YouTube合作伙伴计划的一部分。
其主要营收方式是从Google AdSense获得广告收入，根据网站内容和受众群体个性化呈现广告。其绝大多数视频都可以免费观看，同时也有部分基于订阅的付费频道，以及YouTube Premium会员，提供对网站的无广告访问权限。
截至2017年2月，每分钟上传到YouTube的内容超过400小时，每天在YouTube上观看的内容达10亿小时。据Alexa Internet报道，截至2018年8月，该网站被评为全球第二大热门网站。
- YouTube和国内的哪些产品类似？
乍一看似乎YouTube是典型的视频网站，很自然地会联想到爱奇艺、优酷、搜狐视频等国内的知名视频网站。但又总觉得这样类比有一种挥之不去的违和感。
我们来分析一下YouTube的视频来源，实际上大多是个人用户上传，也就是UGC(User-generated Content，用户生产内容)模式，而上述的三大视频网站则是PGC(Professional Generated Content，专业人士产生内容)，与国外的Netflix更类似。说白了就是，我们用爱奇艺等多是追剧看综艺，而YouTube则带有新媒体和社交属性。
这似乎与抖音、快手、美拍、火山、头条等国内短视频APP更有对应关系，不过Youtube的视频时长更长，视频种类更广，用户群体也更多样化。这些短视频则多有自己的垂直领域，比如提到快手我们就忍不住会联想到“土味”，美拍的定位则是“美”为核心的生态圈。
我觉得YouTube倒是更像去掉了二次元标签的Bilibili，或者应该反过来说，是B站借鉴了一些YouTube的模式。同样兼具了个人用户视频、剧集、直播等不同长度的视频形式，都采用了首页、热门、频道等多种推荐方式，都支持对用户的订阅等等，连营收方式也很相近。
Part 3. 提出问题
- 描述统计
1、利用极值可以解决诸如以下的问题：
Trending榜单中——
- 哪些视频和频道被收录热门榜单（Trending List）天数最多？
- 哪类视频播放量最高/最低？
- 哪类视频评论率最高/最低？
- 哪类视频的点赞率最高/最低？
- 热门榜单（Trending List）中标题长度多少词的视频最多？
……
2、利用箱型图可以描述不同类别的总体情况：
各类视频的观看数、点赞数、评论数的总体情况
3、利用正态分布可以：
得知观看数、点赞数、不喜欢数、评论数等分别是否符合正态分布，进而可以再验证它们之间是否存在线性相关（Pairs plot 矩阵散点图、协方差矩阵及其相关系数）
- 业务问题
1.哪些因素会影响YouTube视频的受欢迎程度？是如何影响的？
2.用户最感兴趣的是什么类别的视频？
3.Trending榜单上的视频通常能留存多少天？
4.视频的发布日期和被推荐日期之间是否存在某种关系？
5.视频的标签数越多越好么？视频描述越详细越好么？
6.是否存在视频发布的黄金时间（每月/每周中是否存在周期性的高热度）？
- 重要字段
- trending_date（推荐日期）
- publish_time（发布时间）
2.内容类型：
- channel_title（频道）
- category_id（类型id）
3.互动：
- views（观看数）
- likes（点赞数）
- dislikes（不喜欢数）
- comment_count（评论数）
本文为该数据集和业务背景的介绍，后续完整的分析过程详见我的另一篇文章：