从腾讯“偷”到的3000万数据，究竟要怎么看？

　　今天看到了一篇文章：《我从腾讯那“偷了”3000万QQ用户数据，出了份很有趣的独家报告！》，原作者写了一个爬虫，以自己为源头抓取好友的QQ，并根据抓取到的QQ数据，总结出了一份报告。
　　但是仔细阅读后，感觉这份报告趣味有余但是分析不足，还只是停留在看图说话的阶段，原作者还需要一个产品经理！
　　此言一出，就被朋友甩来一句：“youcanyouup”
　　好吧，鉴于我没有亲自写爬虫抓数据，那么就用原文里的统计图，试试看图说话吧，帮助原作者发现更多内容。
　　活跃时间分布？
　　“夜猫子”比“早期的鸟”的数量还要多：凌晨1点的说说数量比早晨7点的多
　　凌晨4点，大多数人睡得正香，熬夜的人也几乎要睡了，通宵的人也大概十分疲惫了
　　大部分人的起床时间在6点到7点之间，因为斜率最大
　　大部分人在8点后开始工作上课，因为8点前后的两段时间的斜率变化十分明显
　　越是临近中午，人们对工作越是会心不在焉。因为8点到12点之间的说说数量一直在增长（还记得学生时代，上午最后一节课的最后10分钟有多难熬嘛？）
　　吃午饭时间玩手机刷空间，已经是生活常态了吧？
　　午饭之后有人午睡、有人散步、有人读书、有人聊天，总之发说说的人少了
　　当然，也有人午饭后直接开始了紧张的工作学习，持续到下午饿下班的时候
　　相比晚饭，人们吃午饭的时间更加集中。发布说说的数量从25000到28000的规模，午饭用了一个小时（1112），晚饭用了两个小时（1719）
　　22点的说说数量达到最大值，果然人到了深夜容易多愁善感
　　22点之后，大多数人就开始睡觉了，说说数量迅速下降，下降幅度十分惊人
　　如果不看原文的话，看到这里，我大胆推测原作者的年龄大概在25岁左右，好友里面学生和已经工作人都有一些，且学生较多，在北京上海的工作人群也不会是样本的主流。因为从22点到23点的情况来看，似乎活跃度受到了某种外力的影响而急剧下降，我猜是学校里的熄灯制度造成的。从8点和17点之间的情况看，应该是标准的工作时间。如果在京沪早八点上班的话，一定会被拥堵的交通折磨直至迟到的。
　　生日分布？
　　这幅图，作者使用的数据是QQ用户的生日资料。原文里，这个部分是一个十分巨大的槽点
　　“10月份生小孩的多好理解，一年忙差不多了，天气也不冷不热正是生小孩的好时候。但1月份最高且和2月落差很大有点不好理解，那么冷的天生不怕冻吗？我估计是1月份也快过年了，以前没聚一起的好不容易聚一起了，就容易冲动，冲动就啪啪啪。4月份生日的最少也好理解，中国人不喜欢4这个数字呗。”
　　还是看看我的分析吧：
　　为什么1月的人数特别多？答案其实很简单：因为QQ默认的生日就是1月1日，很多人都没改默认值呀！
　　为什么10月出生的人多？答案并不是原文中提到的“一年忙的差不多，天气也不冷不热正式生小孩的好时候”，真正的原因是唉，原作者真是太可爱了十月怀胎呀，那些十月份出生的孩子都是在前一年的年底“产生”的呀！那才是一年忙的差不多了的时候，而且天气冷也不方便出门，所以就你说对吧？
　　至于4月份出生的人少，同样的道理，你要往前推10个月才能知道原因，前一年的六七月份才是真正的生产日期而且，想想几十年前没有空调的六七月份的高温，人们应该很难专注于人口增长事业吧（我听说过最奇葩的分手理由是俩人在一起太热了，大抵如此）
　　另外，如果把4月和10月的生日情况对应起来看，正好对应了前一年最冷和最热的时节，我仿佛已经看到了人口浮动的秘密不过随着生活水平的提高，主要是取暖和制冷成本的降低，相信在未来，这条生日曲线会更加平缓
　　看到这里，我大胆推测原作者是南方人，因为4月出生的人实在是少的比较明显，说明夏天一定很热，如果再激进一点，大概可以把范围缩小到那几个著名的“火炉”所在的华中地区吧。
　　用户所在地分布
　　这部分我没有找到太多能推测的信息。不过还是可以补充一些：
　　我在第二部分的猜测被证实了，原作者果然是南方人（福兰人）呢！
　　原作者统计了人数前5名的省份：广东、湖南、四川、江苏，然后好奇为什么在四川人多
　　其实，答案很简单，因为四川人多呀你再看看人数第五位是河南，为什么？因为河南人多呀而且四川和河南距离原作者都不是很远。
　　相比之下，人口大省山东，就没能大规模渗透到原作者的好友圈子，为什么？因为山东在北方，人们去霾都北京的意愿会更强烈吧。
　　年龄分布
　　这部分也没有太多好说的了，年龄跨度其实不太大。不过还是有几点可以谈：
　　我在第一部分的猜测被证实了，原作者25岁
　　看图提问，为什么1991年的人口突然会比前后两年的人少呢？
　　因为1991年是农历的羊年，有传言说“属羊的人命不好”、“十羊九不全”，所以羊年出生的人就比较少了当然，我们都知道这其实只是谣言，并没有科学依据。唉，封建迷信害人呐
　　性别分布
　　性别统计方面，没填的部分可以按照已知的男女比例进行分配。
　　考虑到有些女生会设置QQ空间的访问限制，以及有些女生会把性别改成男生用来防范骚扰，我们就当男女比例分别是60和40吧
　　鉴于这样的男女比例，我推测原作者大概是个理工男吧，（无恶意的推测）原作者是单身吧
　　原文还有一些语义和舆情的分析，在下短期内难以发现亮点，就不再继续了。
　　写在最后
　　会写代码人最帅啦
　　对数据敏感的人更帅
　　这是一个大数据时代，数据的重要性不言而喻
　　数据的确会说话，但是，数据也会骗人
　　面对海量数据的时候，我们要保持冷静，擦亮双眼
　　以上