淄博网站制作升级优化中核二二建设有限公司

🧑 博主简介：曾任某智慧城市类企业算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）

💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

一、引言

  数据可视化是探索和理解复杂数据集的强大工具。通过可视化分析，我们可以揭示社交媒体内容的传播趋势、用户互动特征以及各平台之间的差异。本文将基于包含丰富信息的社交媒体趋势数据集，从多个维度进行可视化探索，帮助大家更直观地把握社交媒体的动态变化。

二、数据探索

2.1 数据集介绍

本数据集包含以下变量：

• Post_ID：每条社交媒体帖子的唯一标识符
• Platform：社交媒体平台（TikTok, Instagram, Twitter, YouTube）
• Hashtag：与帖子相关的热门标签
• Content_Type：内容类型（Reel, Video, Post, Shorts, Tweet 等）
• Region：帖子获得 traction 的国家
• Views：帖子获得的总浏览量
• Likes：帖子获得的点赞数
• Shares：帖子被分享的次数
• Comments：帖子获得的评论数
• Engagement_Level：互动水平分类：低、中、高

2.2 数据清洗与探索

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns# 加载数据
df = pd.read_csv('social_media_trends.csv')  # 请替换为实际文件路径# 查看数据基本信息
print(df.info())
print(df.describe())# 查看各列唯一值数量
print(df.nunique())

  从数据的基本信息中，我们可以发现：

• 数据集包含多种类型变量，包括类别型（如Platform、Content_Type）和数值型（如Views、Likes等）
• 数据中一共包含5000条数据，无缺失值存在

三、单维度特征可视化

3.1 平台分布

plt.figure(figsize=(10, 6))
sns.countplot(x='Platform', data=df)
plt.title('Platform Distribution')
plt.xlabel('Platform')
plt.ylabel('Count')
plt.tight_layout()
plt.show()

  观察结果：不同平台的帖子数量差异并不显著，YouTube和TikTok的帖子数量较多。

3.2 内容类型分布

plt.figure(figsize=(10, 6))
sns.countplot(x='Content_Type', data=df)
plt.title('Content Type Distribution')
plt.xlabel('Content Type')
plt.ylabel('Count')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

  观察结果：短视频类内容（如 Reel、Post和Live Stream）占比较大，反映了当前社交媒体的趋势。

3.3 互动水平分布

plt.figure(figsize=(10, 6))
sns.countplot(x='Engagement_Level', data=df)
plt.title('Engagement Level Distribution')
plt.xlabel('Engagement Level')
plt.ylabel('Count')
plt.tight_layout()
plt.show()

  观察结果：大部分帖子的互动水平集中在高等和低水平，中等互动水平的帖子占比较小。

3.4 浏览量分布

plt.figure(figsize=(12, 6))
sns.histplot(df['Views'], kde=True, color='teal', bins=100)
plt.title('Views Distribution')
plt.xlabel('Views')
plt.tight_layout()
plt.show()

  观察结果：浏览量呈现右偏分布，大部分帖子的浏览量集中在较低水平，少数帖子获得极高浏览量。

3.5 点赞量分布

plt.figure(figsize=(12, 6))
sns.histplot(df['Likes'], kde=True, color='coral', bins=100)
plt.title('Likes Distribution')
plt.xlabel('Likes')
plt.tight_layout()
plt.show()

  观察结果：点赞量同样呈现右偏分布，与浏览量的趋势类似。

四、多维度关系可视化

4.1 平台与互动水平的关系

plt.figure(figsize=(12, 8))
sns.countplot(x='Platform', hue='Engagement_Level', data=df, palette='Set2')
plt.title('Engagement Level Distribution by Platform')
plt.xlabel('Platform')
plt.ylabel('Count')
plt.legend(title='Engagement Level')
plt.tight_layout()
plt.show()

  观察结果：不同平台的互动水平分布差异显著， YouTube和TikTok 高互动水平帖子占比较高，而 Twitter 低互动水平帖子较多。

4.2 内容类型与互动水平的关系

plt.figure(figsize=(12, 8))
sns.countplot(x='Content_Type', hue='Engagement_Level', data=df, palette='husl')
plt.title('Engagement Level Distribution by Content Type')
plt.xlabel('Content Type')
plt.ylabel('Count')
plt.xticks(rotation=45)
plt.legend(title='Engagement Level')
plt.tight_layout()
plt.show()

  观察结果：短视频类内容（如 Reel、Live Strame）在高互动水平帖子中占比较高，而传统帖子类型（如 Post）低互动水平帖子较多。

4.3 平台与内容类型的关系

plt.figure(figsize=(12, 8))
sns.countplot(x='Platform', hue='Content_Type', data=df, palette='viridis')
plt.title('Content Type Distribution by Platform')
plt.xlabel('Platform')
plt.ylabel('Count')
plt.xticks(rotation=45)
plt.legend(title='Content Type', bbox_to_anchor=(1, 1), loc='upper left')
plt.tight_layout()
plt.show()

  观察结果：不同平台的内容类型分布差异明显，Instagram 和 TikTok 以视频类内容为主，而 Twitter和YouTube 以 Post 为主。

4.4 不同平台的浏览量与点赞量的关系

plt.figure(figsize=(12, 8))
sns.scatterplot(x='Views', y='Likes', hue='Platform', data=df, palette='coolwarm', alpha=0.6)
plt.title('Views vs Likes Relationship')
plt.xlabel('Views')
plt.ylabel('Likes')
plt.legend(title='Platform', bbox_to_anchor=(1, 1), loc='upper left')
plt.tight_layout()
plt.show()

  观察结果：浏览量与点赞量存在显著的正相关关系，浏览量越高的帖子通常获得更多的点赞。

4.5 平台与互动指标的关系（以点赞和分享为例）

plt.figure(figsize=(15, 6))plt.subplot(1, 2, 1)
sns.boxplot(x='Platform', y='Likes', data=df)
plt.title('Likes Distribution by Platform')
plt.xlabel('Platform')
plt.ylabel('Likes')plt.subplot(1, 2, 2)
sns.boxplot(x='Platform', y='Shares', data=df)
plt.title('Shares Distribution by Platform')
plt.xlabel('Platform')
plt.ylabel('Shares')plt.tight_layout()
plt.show()

  观察结果：不同平台的互动指标差异显著，TikTok 和 Instagram 的点赞和分享量普遍高于其他平台。

4.6 地区与互动水平的关系

# 提取前10个地区的数据进行展示
top_regions = df['Region'].value_counts().head(10).index
region_df = df[df['Region'].isin(top_regions)]plt.figure(figsize=(15, 8))
sns.countplot(x='Region', hue='Engagement_Level', data=region_df, palette='pastel')
plt.title('Engagement Level Distribution by Region')
plt.xlabel('Region')
plt.ylabel('Count')
plt.xticks(rotation=45)
plt.legend(title='Engagement Level')
plt.tight_layout()
plt.show()

  观察结果：不同地区的互动水平分布存在差异，部分地区的高互动水平帖子比例较高。

4.7 标签与互动水平的关系

# 提取前20个热门标签进行展示
hashtag_counts = df['Hashtag'].value_counts().head(20).index
hashtag_df = df[df['Hashtag'].isin(hashtag_counts)]plt.figure(figsize=(15, 8))
sns.countplot(x='Hashtag', hue='Engagement_Level', data=hashtag_df, palette='muted')
plt.title('Engagement Level Distribution by Hashtag')
plt.xlabel('Hashtag')
plt.ylabel('Count')
plt.xticks(rotation=45)
plt.legend(title='Engagement Level')
plt.tight_layout()
plt.show()

  观察结果：不同标签的互动水平分布差异显著，部分标签的高互动水平帖子比例较高，反映出特定话题的吸引力。

五、总结与洞察

  通过以上多维度的可视化分析，我们得出以下关键洞察：

1. 平台差异显著：不同平台的内容类型和互动水平分布差异明显，TikTok 和 Instagram 以短视频类内容为主，且高互动水平帖子占比较高。

2. 内容类型影响互动：短视频类内容（如 Reel、Shorts）在高互动水平帖子中占比较高，反映了用户对这一内容形式的偏好。

3. 浏览量与互动量正相关：浏览量与点赞量、分享量等互动指标存在显著的正相关关系，高浏览量帖子通常获得更多的互动。

4. 地区与标签的影响力：不同地区的互动水平分布存在差异，部分地区的高互动水平帖子比例较高。特定标签的高互动水平帖子比例也较高，反映出地域文化和热门话题对互动的影响。

  以上分析为理解社交媒体趋势和用户互动模式提供了多维度视角，揭示了各变量之间的潜在关系，为进一步的社交媒体策略制定和内容优化提供了数据支持。