2024年公众号运营情况总结与代码

虽然年底很忙，但是作为一个数据科学科普博主，还是有必要每年把公众号运营状况分析一下的。下面是2024年公众号运营数据分析和数据分析代码。

数据来源

数据来源于公众号后台下载的数据明细，微信公众号大部分参数都是每两个月可以下载一次，然后在R里面用tidyverse进行清洗一下，得到数据分析结果。

阅读量分析

逐日总阅读量变化

分析每日总阅读量的变化情况。

library(tidyverse)
library(readxl)

userdata = list.files(path = "./2024/Liuliang/", pattern = ".xls$")
userdir = paste0("./2024/Liuliang/", userdata)

#分析阅读量
user1 = read_excel(path = userdir[1], sheet = 1, col_names = T)
for (i in 2:length(userdir)) {
  userdataNew = read_excel(path = userdir[i], sheet = 1, col_names = T)
  user1 = rbind(user1, userdataNew)
}

user2 = user1%>%
  mutate_at(.vars = vars(阅读人数, 阅读次数, 分享次数), .fun = as.numeric)%>%
  mutate(PubDay = as.Date(日期, format = '%Y%m%d')) %>% 
  arrange(PubDay)

#计算每天总的阅读量
read_daily = user2 %>% 
  select(c(PubDay, 阅读次数, 渠道)) %>% 
  set_names(c("PubDay", "ReadNum", "Source")) %>% 
  filter(Source == "全部") 

#绘制阅读量时间变化图
library(ggpmisc)
library(ggsci)
p1 = ggplot(read_daily, aes(PubDay, ReadNum))+
  labs(x="日期", y="总阅读量")+
  theme_bw()+
  theme(title = element_text(size = 10),
        axis.title = element_text(size = 10),    #调整标题大小
        axis.text.x = element_text(size = 8),    #x轴标签大小
        axis.text.y = element_text(size = 8))+    #y轴标签大小 
  geom_line()+
  geom_point(size = 0.5)+
  scale_color_npg()+
  scale_fill_npg()
p1
ggsave(filename = "./2024/Rplots/逐日阅读量变化.jpg", p1, width = 12, height = 5, dpi = 300, units = "cm")

summary(read_daily)

本号单日阅读最少305，中值1650，平均每日阅读量3793，2024年阅读量最大的一天为18943。

定位一下最少和最大阅读量所在日期：

# 找到最小阅读量对应的日期
min_read_date <- read_daily %>%
  filter(TotalReadNum == min(TotalReadNum))

# 找到最大阅读量对应的日期
max_read_date <- read_daily %>%
  filter(TotalReadNum == max(TotalReadNum))

# 打印结果
print(min_read_date)
print(max_read_date)

不同渠道的逐日阅读量变化

从不同渠道来看，年初的阅读量最高来自于“聊天会话”，后面来自于“公众号消息”，“推荐”带来的阅读量比较少，可能还是我的内容比较小众，达不到微信公众号推荐的标准。公众号现在推送机制总是改，希望大家给我加个“星标”，不然可能就看不到了

#分析不同渠道每日的阅读量分布
read_daily_source = user2 %>% 
  select(c(PubDay, 阅读次数, 渠道)) %>% 
  set_names(c("PubDay", "ReadNum", "Source")) %>% 
  filter(Source != "全部") 

p2 = ggplot(read_daily_source, aes(PubDay, ReadNum, color =Source))+
  labs(x="日期", y="总阅读量")+
  theme_bw()+
  theme(title = element_text(size = 10),
        axis.title = element_text(size = 10),    #调整标题大小
        axis.text.x = element_text(size = 8),    #x轴标签大小
        axis.text.y = element_text(size = 8),    #y轴标签大小
        legend.position = "bottom",
        legend.background = element_blank())+     
  geom_line()+
  geom_point(size = 0.5)+
  scale_color_manual(values = c("公众号消息" = "#a6cee3", "聊天会话" = "#1f78b4", "朋友圈" = "#b2df8a", 
                                "公众号主页" = "#33a02c", "其它" = "#fb9a99", "推荐" = "#e31a1c", 
                                "搜一搜" = "#fdbf6f", "朋友在看" = "#ff7f00"),
                     name = "阅读量来源")
p2
ggsave(filename = "./2024/Rplots/分渠道逐日阅读量变化.jpg", p2, width = 12, height = 8, dpi = 300, units = "cm")
plotly::ggplotly(p2)

推文标题内容分析

使用jiebaR进行了一下分词，构建了一下推文标题的词云图。结果显示“数据”还是公众号的主旋律，词云占比最大，“论文”、“遥感”、“可视化”也是出现频率非常高的关键词。

sourcedata = list.files(path = "./2024/Tuiwen/", pattern = ".xls$")
sourcedir = paste0("./2024/Tuiwen/", sourcedata)

source1 = read_excel(path = sourcedir[1], sheet = 1, col_names = T)
for (i in 2:length(sourcedir)) {
  sourcedataNew = read_excel(path = sourcedir[i], sheet = 1, col_names = T)
  source1 = rbind(source1, sourcedataNew)
}

#总的词云图
wordstotal = source1 %>% 
  select(内容标题)
# write.csv(wordstotal, "./wordstotal.csv")

library(jiebaR)
library(wordcloud2)
# 提取文本列
mixseg = worker("mix", user = "./dict.txt")
a= segment(wordstotal$内容标题, mixseg)

stopwords = as.vector(read.table("stopwords.txt", encoding = "UTF-8")[,1])
`%w/o%` <- function (x, y){
  x[!x %in% y]
}

a2=a %w/o% stopwords
JCfreq = table(a2)
JCfreq2 = sort(JCfreq, decreasing = T)
wordcloud2(JCfreq2, shape = "circle")

粉丝数量分析

2024年1月1日总粉丝数48625，2024年12月31日总粉丝数55848，本年度增长7223个粉丝，增长14.85%。

下面是计算的每月粉丝增长情况，没有净增长数量超过1000的月份，6、7月期末和暑假期间明显下降，8月有所回升，12月增长数量最多，净增长912。

#用户情况分析
useranalysis  = read_excel(path = "./2024/User/UserAnalysis.xlsx", sheet = 1, col_names = T) %>% 
  na.omit() %>% 
  mutate(YearMonth = format(Time, "%Y-%m"))      #提取年月

#按月汇总净增长
monthly_net_increase <- useranalysis %>%
  group_by(YearMonth) %>%
  summarise(TotalNetIncrease = sum(NetIncresae, na.rm = TRUE))

p3 = ggplot(monthly_net_increase, aes(x = YearMonth, y = TotalNetIncrease)) +
  geom_bar(stat = "identity", fill = "skyblue") +
  theme_minimal() +
  labs(
    title = "粉丝月增长情况",
    x = "年月",
    y = "粉丝净增长量"
  ) 
p3
ggsave(filename = "./2024/Rplots/粉丝月净增长量.jpg", p3, width = 12, height = 8, dpi = 300, units = "cm")