厉害！「标题党」文章都能用 Python 分析出来

在公众号看过那么多文章，有些文章的标题忍不住让你点进去，结果进去一看，标题党啊，有点失望。今天来用 Python 分析什么样的文章有“标题党”的嫌疑，而哪些文章标题妙笔生花且内容名副其实。

分析一篇文章的标题起得好不好，无非看阅读量，但是怎么看”标题党“呢？我思索着，“标题党”文章大概是这样的：阅读量高但点赞数少，仔细想想，一篇文章，如果标题天花乱坠地吸引人，就会有许多读者点进去阅读，但是发现内容却是败笔，没有干货，这样的文章，会有许多读者给它点赞吗？显然不会。

但是，这只是定性分析，怎么定量分析呢，在此需要利用最小二乘法做回归分析，先根据点赞数与阅读量的关系得到点赞数关于阅读量的回归直线，引入一个概念，文章优良指数。

其定义为实际点赞数减去回归预测点赞数，取绝对值后再比上回归预测的点赞数，在推文时间等变量统计平均的前提下，如果这个值超过某个阈值（比如 0.5，可适当调整），那么就可认为该文章的内容是足够充实的，可评为优秀，相反地，如果这个比值远低于 0.5，则可认为该文章存在"标题党"嫌疑。

文章优良指数是我自己定义的概念，具有合理性但不具有权威性，其值=abs(实际点赞数-预测点赞数）/预测点赞数

理清思路后，开始动手实现。

编码实现

合并数据

对于一篇文章，有价值的数据应该无外乎 标题、内容、点赞数、阅读数、内容、原文链接这几部分，但是原始数据是这样的：

文章标题和内容不在一个表中，而且数据大量冗余，我们要做的第一步就是数据清洗，把有用的数据合并到一个表中，并输出到文件，方便后续使用和查看。

这部分代码如下，主要是利用 pandas 库进行加载、输出文件操作，值得一说的是 pandas.merge() 函数，这是 pandas 类数据库内连接的操作的一个函数，内连接定义如下：两个或多个表在指定列上进行匹配。

我这里是一个列”标题“，因为标题相同的就是一篇文章，可以进行合并，如果左边（第一个表）的”标题“没有出现在右边（第二个表），或者右边的”标题“没有出现在左边，那么这些数据都会被舍弃，只保留匹配上的；与内连接相对应的就是外连接，外连接又分为左外连接和右外连接，顾名思义，左外连接就是也保留那些出现在左边但是并不和右边匹配的记录。

分析数据

”好标题“ or ”差标题“？

我们约定，那些阅读量排在前 20% 的文章，其”标题“被定义为”好标题“，排在后 20% 的，被定义为”差标题“。

用词云看看好的差的标题都有哪些关键词：

这些标题和具体文章作者的写作定位有关，仅供参考。

”标题党“ or ”实力派“？

所谓方法论决定世界观，思想指导行动，下面写的代码都是根据最上面对”标题党“特点的分析，一步步实现的，主要用到最小二乘法思想和我自定义的 文章优良指数 概念。

其输出如下：

为了方便查阅，将标题和内容名副其实的文章和具有“标题党”嫌疑的文章分别保存了下来，程序运行结束后自动保存在项目的目录下。

有了这些证据，拿去怼编辑，哈哈哈，逃~

本文源代码可以在公众号后台回复：标题党得到。