在视频成为重要媒介，vlog、视频博主也成为一种职业的当下，如何提高自己视频的播放量，是广大内容生产者最头秃的问题之一。网络上当然有许多内容制作、热点跟踪、剪辑技巧的分享，但你可能不知道，机器学习也可以在其中发挥大作用。

join into data上两位作者 Lianne 和 Justin 做了一个硬核的技术分析。他们的分析对象是 YouTube 一个新近崛起的健身博主 Sydney Cummings 。

Sydney 拥有美国国家运动医学会(NASM)的私人教练证，同时也是一位跳高运动员。她的账号注册于 2016 年 5 月 17 日，累计播放量 27,031,566，目前拥有 21 万粉丝，每天都稳定更新，很有研究意义。请注意，以下研究都将通过 Python 实现。

Sydney Cummings 的标题都有一定套路，比如最近一个标题是《30 分钟手臂和强壮臀肌锻炼！燃烧 310 卡路里！》，通常涵盖时间、身体部位、消耗的卡路里以及其他关于锻炼的描述性词汇。观众点击这段视频之前，就会知道几个信息：

• 30 分钟——我将在 30 分钟内完成整个训练；

• 锻炼手臂和臀肌——我将致力于手臂和臀肌，专注于力量；

• 燃烧 310 卡路里——我会燃烧相当多的卡路里。

掌握以上关键信息是预先的准备，接下来还有六个步骤：观察数据、用自然语言处理技术对视频进行分类、选择特征、创建目标、构建决策树、阅读决策树。接下来就和雷锋网一起看看作者究竟是怎么一步一步展开研究的。

事前准备：抓取数据

其实有很多不同的方法来抓取 YouTube 数据。由于这只是个一次性项目，所以作者选择了一个只需要手工操作，不依赖额外工具的简单方法。

以下是分步步骤：

选中所有视频；

右键单击最新的视频并选择“Inspect“；

将光标悬停在每一行上，找到高亮显示了所有视频的最低级别的 HTML 代码/元素级别；

例如，如果使用 Chrome 浏览器，它看起来就像这样：

【 图片来源：Sydney’s YouTube Video page所有者：Sydney 】

右键单击元素并选择“复制”，然后选择“复制元素”；

将复制的元素粘贴到文本文件中并保存，这里使用 JupyterLab 文本文件并将其保存为 sydney.txt；

使用 Python 提取信息并清理数据。

接下来就是有趣的部分了，他们将从这个数据中集中提取特征，并研究是哪些因素影响着播放量。

步骤 1：观察数据

将数据导入到 Python 中是在最后一节中完成的，以下是数据集 df_videos，一共有 837 个视频。

df_videos 有 8 个特征来描述每个视频细节，包括：标题、多久前发布的、视频长度、播放量、地址、卡路里、发布具体日期、发布至今的天数。

此外，他们注意到数据有重叠，因为博主曾经多次上传同一个视频，在接下来的分析中将会忽略这部分不大的样本。

步骤 2：用 NLP 对视频进行分类

在这一步中，他们根据标题中的关键词对视频进行分类。

分组标准是：

• 这个视频针对的是身体哪个部位？

• 这个视频的目的是增肌还是减肥？

• 或者还有什么其他关键词？

作者使用了自然语言工具包(NLTK)，Python 中一个常用的开源 NLP 库，来处理标题。

生成关键词列表

首先，标记化视频的标题。此过程使用分隔符（如空格（" "）将标题文本字符串拆分为不同的标记（单词）。这样，计算机程序就可以更好地理解文本。

这些标题中有 538 个不同的单词，以下列出了使用频率最高的标记/单词。可以发现，频繁使用的就是那几个词，这也再次证明博主确实喜欢起标准格式的视频标题。