這一個多月以來，相信大部分人都跟小編我一樣：早上打開手機的第一件事是看有關疫情的最新新聞，看今日有沒有新增人數，新增了多少。眼看著數據從一開始的幾十發展到現在的快8W，漸漸地數據在我們眼里就只是一串數字。

我們從數字中、新聞報道里都可以看出它的嚴重性，但是，如果我們通過數字仔細觀察每一個患者的經歷，真實的慘烈程度總是可以超乎我們的認知。其中，微博“肺炎患者求助”超話上的求助者經歷，便是這場疫情慘烈程度的一個縮影。

到底哪些人會在“微博超話”這個原本的追星聚集地來進行求助呢?他們是否都得到了幫助?從求助到獲得幫助，他們都經歷了什么，等了多久?

一、Python爬取

這些數據怎么來?那肯定是只能通過python爬蟲來獲取(前提是不要獲取別的東西，否則....)，具體的過程我這里就不贅述了，有需要的可以看到文末自取。 

我們獲取了微博“肺炎患者求助”超話上的1055條求助信息(時間節點：2020年2月20日23時)，并且對這些求助的患者求助時的狀況、是否得到救助、得到救助的時間等信息進行了進一步的數據整理，去掉重復數據后得到638條數據，來解答以上的問題。

二、怎么分析

python可以進行數據分析嗎?完全可以!

其實，Python這種偽代碼性質的語言入門并不難，但是深入進去就不是什么簡單的事情了，而且Python語言不能加密，但是目前國內市場純粹靠編寫軟件賣給客戶的越來越少，網站和移動應用不需要給客戶源代碼，所以這個問題就是問題了。

有什么東西能和python結合呢?于是我想到了BI工具!

BI工具的話，簡單上手、靈活快捷，尤其敏捷BI，是不需要代碼建模的。舉個例子，FineBI等敏捷自助式工具，傻瓜式的操作很適合現在的數據分析小白入手，就算是掌握了R這種編程語言，也很適合拿來做分析工具。

關于FineBI，可能很多小伙伴或多或少了解過這款BI工具，這是目前市面上應用最為廣泛的自助式BI工具之一，類似于國外的Tableau等BI分析工具，但FineBI在協同配合，數據權限上，能更好的解決國內企業的情況。

你可以把它視作為可視化工具，因為它里面自帶幾十種常用圖表，以及動態效果 

你也可以把它作為報表工具，因為它能接入各種OA、ERP、CRM等系統數據，各種數據庫簡直毫無壓力，不寫代碼不寫SQL就能批量化做報表

你還可以把它看作數據分析工具，其內置等常見的數據分析模型、以及各式圖表，可以借助FineBI做一些探索性的分析

有了這一款工具之后，IT部門只需要將數據按照業務模塊分類準備好，業務部門即可在瀏覽器前端通過鼠標點擊拖拽操作，就能得到自己想要的數據分析結果。

三、數據可視化結果

以下所有都是為FineBI分析，我從開始做到結束，只用了3分鐘的樣子，自帶ETL，就是這么快!

1、哪些天求助的人最多? 

可以看到，2月4日到2月7日為這些患者集中在網上求助的時間，其中求助最多的是在2月5日。這個時間剛好跟爆發的數據相吻合。 

新增確診趨勢

2、哪些人在微博求助?

在全國的救助力量都投入到一個地區之后，到底是哪些人會采用“微博”這個社交平臺，并且在“微博超話”這個粉絲們用來追星的地方來進行救助呢?

我們對求助患者的年齡進行了統計，發現50歲以上的中老年人占了絕大多數的比例(81.9%)。 

圖片來自于網絡

在微博上求助的人，更傾向于年齡大的患者。然而，年齡大的患者怎么會在微博超話上求助呢?我們對求助患者的信息進行統計，發現只有3.4%的求助信息是患者本人通過微博發出來的，有95.3%的求助信息都是別人代發的。

也就是說，這些老人因為信息不通暢、行動不方便等原因，只能由小輩幫忙發求助信息。

3、求助者多為重癥患者，且帶有基礎疾病

他們在求助時的自身狀況如何呢?我們從求助信息中提取出了這些求助者所描述的病癥。 

可以看到，“發燒”、“呼吸困難”、“咳嗽”、“乏力”、“胸悶”、“腹瀉”、“嘔吐”等都屬于高頻詞匯，其中求助信息中出現“呼吸困難”癥狀的患者占了35.8%，有呼吸問題的患者占了48.2%。

這說明微博上的這些求助者多是危重癥患者。另外，從這些患者的救助信息中可知，有21.1%的患者還帶有“高血壓”、“糖尿病”、“心臟病”、“冠心病”、“腎衰竭”等基礎疾病。 

4、他們等了多久? 

從之前的察覺患病到最終獲救，總共平均的時間是13天。

在這13天里，患者們以及患者的家人們到底經歷了什么樣尋求治療的過程，遇到了多少的碰壁最后才得到救助呢?幾乎每份求助信息中的患者“病情描述”都可以告訴我們答案。我們把患者的描述制作成了詞云圖，里面的每一個字，都寫滿了沉重和無奈。 

5、是否每位求助者都得到了幫助?

在微博上求助的效果怎么樣呢?從轉發效果上看，即使有40%的微博求助者，其微博的粉絲數都小于50人，甚至有21.4%的求助者是為了求助剛注冊了微博的微博新人，仍然有57.2%的微博獲得了超過10次以上的轉發，有30%的微博獲得了超過50次的轉發。 

然而，最終這些求助者是否獲取到了救助，才是救助的最終意義。根據我們的統計發現，只有26.5%的求助者最終在微博上反饋得到了救助。

所以，并不是每一位微博求助者都幸運地得到了幫助。由于病情的發展，一部分患者在沒有等到救助之前，便凋零了。 

四、總結

以上便是這些微博求助者在微博上求助的經歷。這些數據背后的每一位救助者，都是承受者，他們是每一位平凡普通的人，他們有的等來了救助，有的沒有。