質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.35%

  • Python

    9114questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • データベース

    734questions

    データベースとは、データの集合体を指します。また、そのデータの集合体の共用を可能にするシステムの意味を含めます

  • Hadoop

    55questions

    Apache Hadoopは大規模なデータの分散処理をサポートするJavaソフトウェアフレームワークです。Hadoopを利用すると、数千ノードおよびペタバイト級のアプリケーションデータを処理することができます。

Wikipediaの公開している統計データのデータ前処理に関して

解決済

回答 1

投稿

  • 評価
  • クリップ 0
  • VIEW 249

harunouta

score 100

 前提・実現したいこと

Wikipediaの公開している統計データを用いてデータ分析をしようとしています。
大規模データなのでHadoopで単語の出てきた回数を数えて降順にソートしようとしています。

データをダウンロードするサイト

 発生している問題・エラーメッセージ

ClickstreamというWebページの訪問者が渡り歩いた軌跡データのヘッダー部分が明記されておらず、前処理の方法に困っております。
以下該当のソースコードに該当するtsvファイルのデータセット上部を記載しましたが、
このデータの読み方について教えていただきたいです。

 該当のソースコード

clickstream-jawiki-2018-04.tsv.gz    
以下該当するtsvファイルの上10行分です。

other-internal    調速機    external    21
T-72    調速機    link    16
other-search    調速機    external    2132
other-external    調速機    external    101
other-other    調速機    external    41
other-empty    調速機    external    296
other-search    クリス・バード    external    38
other-empty    クリス・バード    external    40
other-search    山手中学校    external    20
other-search    SF超人ヘラクレス    external    325
  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

checkベストアンサー

+1

https://meta.wikimedia.org/wiki/Research:Wikipedia_clickstream#Format
でしょうか。


ブラウザでページAからページBに遷移すると、ページAがrefererにセットされた状態で、ページBのパスへのリクエストが、Wikipediaのサーバにされますね。
ここまでで分からない単語はないですよね?

referer URLをマッピングしたもの(*)がprevに、クライアントがリクエストしたURLがcurrにセットされる、と書いてありますから、ページAのarticleがprevに、ページBのarticleがcurrに入ります。

(*)refererに対応するページがあるとは限らない

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2018/06/01 17:33

    ご回答いただきましてありがとうございます。

    以下、可能であればご意見をお聞かせいただきたいです。
    よろしくお願いいたします。
    この場合の、n:(referer、resource)ペアの出現回数とはどの様に理解するのが正しいのでしょうか。英語の説明だと結局何の回数を指しているのか不明瞭ですよね。「調速機」の場合、6行連続したデータがあるのに対し、「 クリス・バード」は2行、1行のみ記事タイトルのデータもあり、この点につきましてもどのように解釈できますでしょうか。

    キャンセル

  • 2018/06/01 18:00

    ペアの数、なんですから、prevとcurrのペアに対するデータですよ。

    キャンセル

  • 2018/06/01 21:39

    prevとcurrのペアに対するデータとは具体的には何をさすのでしょうか。
    英文の説明内容だけではイメージがつかみにくくて理解できていません。

    キャンセル

  • 2018/06/01 21:59

    ?? じゃあどうしてこのデータを使おうとしているんですか? という根本的な疑問が……

    キャンセル

  • 2018/06/02 07:44

    Webページの訪問者が渡り歩いた軌跡データを使いたいのですが、 「調速機」が出てきた回数を数えて単純に 「調速機」というページが「渡り歩かれた回数」としてしまっていいのかという懸念を払拭したいのです。

    また、nがペアに対するデータを表しているとすると、例えば1行目の21などの数字の意味はWikipediaの内部の人しか理解できないという解釈で会っておりますでしょうか。

    キャンセル

  • 2018/06/02 08:30 編集

    まあそうでしょうけど、「Webサーバ上に記録されたログの数」以外に可能な解釈が思いつきません。

    キャンセル

  • 2018/06/02 09:30

    AからBに行って、BからCに行ったら、Bは2カウントなのをどう考えるかですが、まあ不可分なのでそうするしかないでしょうか。

    キャンセル

  • 2018/06/07 13:26

    ご回答いただきましてありがとうございました。

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 90.35%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

同じタグがついた質問を見る

  • Python

    9114questions

    Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

  • データベース

    734questions

    データベースとは、データの集合体を指します。また、そのデータの集合体の共用を可能にするシステムの意味を含めます

  • Hadoop

    55questions

    Apache Hadoopは大規模なデータの分散処理をサポートするJavaソフトウェアフレームワークです。Hadoopを利用すると、数千ノードおよびペタバイト級のアプリケーションデータを処理することができます。