2025年小红书创作者影响力分析报告：基于10.5万条素材构建评估模型，识别高影响力内容特征，优化推荐算法与运营策略，涵盖用户分层、互动数据、地理位置分布，提供内容策略优化与创作者成长建议。

报告标题：小红书内容创作者影响力与内容策略优化分析

一、场景背景与价值

业务背景：小红书作为中国领先的生活方式分享平台，拥有超过3亿用户，其中内容创作者是平台生态的核心驱动力。随着平台商业化进程的加速，如何识别高影响力创作者、优化内容推荐算法、提升用户粘性成为平台运营的关键挑战。通过分析10.5万条真实内容数据，我们可以深入理解创作者影响力形成机制，为平台运营和创作者成长提供数据支撑。

本报告目标：通过多维度数据分析，构建创作者影响力评估模型，识别高影响力内容的关键特征，为内容策略优化提供科学依据和可执行建议。

二、数据初探与预处理

数据集获取	10万条小红书笔记链接

数据加载与概览：本数据集包含105,000条小红书内容记录，每条记录包含25个字段，涵盖内容信息、用户特征、地理位置、情感分析、互动数据等多个维度。数据时间跨度从2025年9月1日到9月25日，覆盖全国35个省份、323个城市的内容创作者。

数据清洗过程：

缺失值处理：数据质量良好，无缺失值，所有字段完整度100%
数据类型转换：将粉丝数、互动数据等数值字段转换为正确的数值类型
异常值处理：发现粉丝数存在极端异常值（最大17亿），通过分层分析处理
特征工程：创建用户影响力分层、内容质量评分、用户活跃度等衍生特征

数据质量评估：

平均粉丝数：16人（中位数10人，存在明显长尾分布）
平均内容长度：216.3字符
平均标签数：7.7个
平均总互动数：1.87次

三、探索性数据分析（EDA）与核心洞察

用户影响力分层分析：
通过粉丝数分层发现，平台用户呈现明显的金字塔结构：

新手创作者（0-100粉丝）：72,133人（68.7%）
成长创作者（100-1K粉丝）：13,309人（12.7%）
成熟创作者（1K-10K粉丝）：3,910人（3.7%）
大V创作者（10K-100K粉丝）：9人（0.01%）
超级大V（100K+粉丝）：16人（0.02%）

在这里插入图片描述

内容互动特征分析：
互动数据呈现极度不均衡分布：

点赞数：平均1.23次，中位数0次，最大37,787次
分享数：平均0.15次，中位数0次，最大3,167次
收藏数：平均0.35次，中位数0次，最大10,521次
评论数：平均0.14次，中位数0次，最大5,374次

地理位置分布洞察：
内容创作呈现明显的地域集中特征：

广东省：5,547条（5.3%），内容创作最活跃
北京市：3,031条（2.9%），高质量内容集中
江苏省：3,006条（2.9%），内容多样性丰富
一线城市（北京、上海、深圳、广州）占总内容的12.1%

内容主题分析：
凭借标签分析发现热门内容主题：

#美食：3,732次，最受欢迎的内容类型
#旅游：3,345次，生活方式分享核心
#旅游万粉扶持计划：2,508次，平台活动参与度高
#穿搭相关标签：占据前20中的8个位置

情感分析结果：

中性情感（0）：99,421条（94.7%），内容整体积极正面
正面情感（1-2）：3,571条（3.4%）
负面情感（-1至-6）：1,008条（1.9%）

四、场景建模与实现

模型选择与原理：
选择随机森林回归模型进行影响力预测，原因如下：

非线性关系处理：能够捕捉特征间的艰难交互关系
特征重要性分析：提供可解释的特征权重
鲁棒性强：对异常值和噪声资料不敏感
处理能力强：适合处理大规模数据集

特征工程策略：
构建11个核心特征：

用户特征：粉丝数、关注数、认证状态、影响力分层
内容特征：标题长度、内容长度、标签数量、内容质量评分
行为特征：用户活跃度评分、情感倾向

模型实现与评估：

训练集：84,009条记录（80%）
测试集：21,003条记录（20%）

特征重要性分析：

内容质量评分：43.63%（最重点）
标签数量：14.30%
标签数量：12.65%
标题长度：11.90%
内容长度：9.39%

五、完整代码完成（带详细注释）

# -*- coding: utf-8 -*-
"""
小红书内容创作者影响力分析完整代码
作者：数据分析专家
日期：2025年1月
"""
import json
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from collections import Counter
import re
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.preprocessing import StandardScaler
# 设置中文字体
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS', 'SimHei']
plt.rcParams['axes.unicode_minus'] = False
def load_and_clean_data(file_path):
"""
加载和清洗小红书数据
Args:
file_path: JSON数据文件路径
Returns:
pd.DataFrame: 清洗后的数据框
"""
print("=== 开始数据加载和清洗 ===")
# 读取原始数据
data = []
with open(file_path, 'r', encoding='utf-8') as f:
for line in f:
try:
data.append(json.loads(line.strip()))
except:
continue
print(f"成功读取 {len(data)} 条原始数据")
# 数据清洗和特征提取
cleaned_data = []
for i, record in enumerate(data):
try:
if 'data' not in record:
continue
data_info = record['data']
# 提取基础信息
record_id = record.get('id', '')
title = data_info.get('title', '')
content = data_info.get('content', '')
# 提取用户信息
user_info = data_info.get('user', {})
user_name = user_info.get('name', '')
user_gender = user_info.get('gender', '')
followers_count = user_info.get('followers_count', 0)
friends_count = user_info.get('friends_count', 0)
verified = user_info.get('verified', 0)
# 提取地理位置信息
analysis = data_info.get('analysis', {})
find_address = analysis.get('find_address', {})
province = find_address.get('province', [])
city = find_address.get('city', [])
# 提取情感分析
sentiment = analysis.get('sentiment', 0)
# 提取标签信息
tags = analysis.get('tag', [])
tag_count = len(tags)
# 提取时间信息
ctime = data_info.get('ctime', 0)
utime = data_info.get('utime', 0)
# 提取互动数据
like_count = data_info.get('like_count', 0)
share_count = data_info.get('share_count', 0)
collection_count = data_info.get('collection_count', 0)
reply_count = data_info.get('reply_count', 0)
visit_count = data_info.get('visit_count', 0)
# 计算内容长度
title_length = len(title) if title else 0
content_length = len(content) if content else 0
# 提取标签文本
hashtags = re.findall(r'#([^#\\s]+)', content)
hashtag_count = len(hashtags)
# 计算影响力指标
total_interaction = like_count + share_count + collection_count + reply_count
cleaned_record = {
'id': record_id,
'title': title,
'content': content,
'user_name': user_name,
'user_gender': user_gender,
'followers_count': followers_count,
'friends_count': friends_count,
'verified': verified,
'province': province[0] if province else '',
'city': city[0] if city else '',
'sentiment': sentiment,
'tag_count': tag_count,
'ctime': ctime,
'utime': utime,
'like_count': like_count,
'share_count': share_count,
'collection_count': collection_count,
'reply_count': reply_count,
'visit_count': visit_count,
'title_length': title_length,
'content_length': content_length,
'hashtag_count': hashtag_count,
'total_interaction': total_interaction,
'hashtags': hashtags
}
cleaned_data.append(cleaned_record)
except Exception as e:
if i < 10:  # 只打印前10个错误
print(f'处理第{i}条记录时出错: {e}')
continue
print(f"成功处理 {len(cleaned_data)} 条数据")
# 转换为DataFrame
df = pd.DataFrame(cleaned_data)
# 转换数值列
numeric_cols = ['followers_count', 'friends_count', 'verified', 'like_count',
'share_count', 'collection_count', 'reply_count', 'visit_count',
'title_length', 'content_length', 'hashtag_count', 'total_interaction', 'sentiment', 'tag_count']
for col in numeric_cols:
if col in df.columns:
df[col] = pd.to_numeric(df[col], errors='coerce')
return df
def create_visualizations(df):
"""
创建数据可视化图表
Args:
df: 清洗后的数据框
"""
print("=== 创建可视化图表 ===")
# 创建图表
fig, axes = plt.subplots(2, 3, figsize=(18, 12))
fig.suptitle('小红书内容创作者影响力分析 - 数据可视化', fontsize=16, fontweight='bold')
# 1. 用户粉丝数分布（对数尺度）
ax1 = axes[0, 0]
followers_clean = df[df['followers_count'] < 1000000]['followers_count']
ax1.hist(np.log10(followers_clean + 1), bins=50, alpha=0.7, color='skyblue', edgecolor='black')
ax1.set_xlabel('粉丝数（对数尺度）')
ax1.set_ylabel('频次')
ax1.set_title('用户粉丝数分布')
ax1.set_xticks([0, 1, 2, 3, 4, 5, 6])
ax1.set_xticklabels(['1', '10', '100', '1K', '10K', '100K', '1M'])
# 2. 内容互动数据分布
ax2 = axes[0, 1]
interaction_data = [df['like_count'], df['share_count'], df['collection_count'], df['reply_count']]
interaction_labels = ['点赞', '分享', '收藏', '评论']
ax2.boxplot(interaction_data, labels=interaction_labels)
ax2.set_ylabel('互动数量')
ax2.set_title('内容互动数据分布')
ax2.set_yscale('log')
# 3. 用户分层分布
ax3 = axes[0, 2]
df['follower_tier'] = pd.cut(df['followers_count'],
bins=[0, 100, 1000, 10000, 100000, float('inf')],
labels=['新手(0-100)', '成长(100-1K)', '成熟(1K-10K)', '大V(10K-100K)', '超级大V(100K+)'])
tier_counts = df['follower_tier'].value_counts()
colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99', '#ff99cc']
wedges, texts, autotexts = ax3.pie(tier_counts.values, labels=tier_counts.index, autopct='%1.1f%%',
colors=colors, startangle=90)
ax3.set_title('用户影响力分层分布')
# 4. 地理位置分布（TOP10省份）
ax4 = axes[1, 0]
province_counts = df['province'].value_counts().head(10)
bars = ax4.barh(range(len(province_counts)), province_counts.values, color='lightcoral')
ax4.set_yticks(range(len(province_counts)))
ax4.set_yticklabels(province_counts.index)
ax4.set_xlabel('内容数量')
ax4.set_title('省份内容分布TOP10')
ax4.invert_yaxis()
# 5. 内容长度与互动关系
ax5 = axes[1, 1]
sample_df = df.sample(n=min(10000, len(df)))
ax5.scatter(sample_df['content_length'], sample_df['total_interaction'],
alpha=0.5, s=20, color='purple')
ax5.set_xlabel('内容长度（字符）')
ax5.set_ylabel('总互动数')
ax5.set_title('内容长度与互动关系')
ax5.set_yscale('log')
# 6. 发布时间分布
ax6 = axes[1, 2]
df['create_time'] = pd.to_datetime(df['ctime'], unit='s')
df['hour'] = df['create_time'].dt.hour
hour_distribution = df['hour'].value_counts().sort_index()
ax6.plot(hour_distribution.index, hour_distribution.values, marker='o', linewidth=2, markersize=6)
ax6.set_xlabel('发布时间（小时）')
ax6.set_ylabel('内容数量')
ax6.set_title('内容发布时间分布')
ax6.set_xticks(range(0, 24, 2))
ax6.grid(True, alpha=0.3)
plt.tight_layout()
plt.savefig('xiaohongshu_analysis_charts.png', dpi=300, bbox_inches='tight')
plt.show()
print("图表已保存为 xiaohongshu_analysis_charts.png")
def build_influence_model(df):
"""
构建影响力预测模型
Args:
df: 清洗后的数据框
Returns:
tuple: (模型, 特征重要性, 评估指标)
"""
print("=== 构建影响力预测模型 ===")
# 特征工程
df['follower_tier'] = pd.cut(df['followers_count'],
bins=[0, 100, 1000, 10000, 100000, float('inf')],
labels=[0, 1, 2, 3, 4])
# 内容质量指标
df['content_quality_score'] = (df['title_length'] * 0.3 +
df['content_length'] * 0.4 +
df['hashtag_count'] * 0.3)
# 用户活跃度指标
df['user_activity_score'] = (df['friends_count'] * 0.3 +
df['followers_count'] * 0.7)
# 选择特征
feature_cols = [
'followers_count', 'friends_count', 'verified', 'follower_tier',
'title_length', 'content_length', 'hashtag_count', 'tag_count',
'content_quality_score', 'user_activity_score', 'sentiment'
]
target_col = 'total_interaction'
# 准备数据
X = df[feature_cols].fillna(0)
y = df[target_col].fillna(0)
# 数据分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 训练随机森林模型
rf_model = RandomForestRegressor(n_estimators=100, random_state=42, n_jobs=-1)
rf_model.fit(X_train, y_train)
rf_pred = rf_model.predict(X_test)
rf_r2 = r2_score(y_test, rf_pred)
rf_rmse = np.sqrt(mean_squared_error(y_test, rf_pred))
# 特征重要性
feature_importance = pd.DataFrame({
'feature': feature_cols,
'importance': rf_model.feature_importances_
}).sort_values('importance', ascending=False)
print(f"随机森林模型 - R²: {rf_r2:.4f}, RMSE: {rf_rmse:.4f}")
return rf_model, feature_importance, (rf_r2, rf_rmse)
def main():
"""
主函数：执行完整的数据分析流程
"""
print("开始小红书内容创作者影响力分析")
# 1. 数据加载和清洗
df = load_and_clean_data('xiaohongshu.json')
# 2. 保存清洗后的数据
df.to_csv('xiaohongshu_cleaned.csv', index=False, encoding='utf-8')
print("清洗后的数据已保存到 xiaohongshu_cleaned.csv")
# 3. 创建可视化
create_visualizations(df)
# 4. 构建模型
model, feature_importance, metrics = build_influence_model(df)
# 5. 输出结果
print("\\n=== 分析完成 ===")
print(f"数据量: {len(df)} 条")
print(f"模型R²: {metrics[0]:.4f}")
print(f"模型RMSE: {metrics[1]:.4f}")
print("\\n特征重要性TOP5:")
for idx, row in feature_importance.head().iterrows():
print(f"{row['feature']}: {row['importance']:.4f}")
if __name__ == "__main__":
main()

六、总结与业务建议

分析总结：
借助对10.5万条小红书内容的深度分析，我们发现了几个关键洞察：1）平台用户呈现明显的金字塔结构，68.7%为新手创作者；2）内容互动呈现极度不均衡分布，大部分内容互动数为0；3）内容质量评分是影响互动的最重要因素（43.63%）；4）美食和旅游是平台最受欢迎的内容类型；5）一线城市创作者贡献了12.1%的内容。

业务建议：