用Python数据分析全球夜店数据分析全球夜生活
有趣的数据分析小项目：爬了一整年的夜店阵容数据，意外拼出了全球夜生活的“音乐口味图”。（来源：开发者Karl Tryggvason）
开发者Karl Tryggvason用Python+Pandas+NetworkX+D3搭建了一个完整链路的小项目，从爬虫、数据清洗到交互可视化，总共分析了：
- 131家夜店
- 8,500多场演出
- 近9,400位DJ
- 超30,000次演出记录
核心思路是，不同夜店请不同DJ，那重合度越高，品味越接近。用Jaccard相似度计算任意两家夜店阵容交集，再基于这个数据做成图谱网络。
用社区发现算法聚类后，他发现，这些夜店确实会围成一个个“口味圈”，而且跟你的直觉不太一样。
比如他原本以为欧洲夜店重合度很高，结果实际数据里，8500对夜店组合只有37%存在重合，平均重合度只有1%。看起来DJ轮换比你想得还猛。
还有一个超细节的指标叫“常驻因子”：一个DJ出现在同一家夜店的频率。但是分析发现，即使是粉丝量最大的一些夜店，也极少有真正的长期resident，基本都在更迭。
他还做了非常漂亮的可视化体验：
- 夜店以圆圈形式展现，大小根据粉丝数设定，颜色代表所属圈层；
- 两个夜店点击即可对比详尽数据，包括活动次数、艺人数量、交集比率；
- 页面还有滚动讲故事的设计 + 动态过渡的图表切换，看得过程非常丝滑。
技术栈如下：
- 爬虫用BeautifulSoup
- 预处理用Pandas
- 图谱分析用NetworkX
- 社区检测用Louvain
- 前端用原生D3＋React组合（作者还自己写了ref连接D3和组件）
如果你正想做个不只是“练手”的数据项目，这种现成平台、开放文化语料和强交互空间的方向，非常值得借鉴。
项目Demo：lazilyevaluated.co/clubster-analysis/
文章细节：dev.karltryggvason.com/how-i-analyzed-the-lineups-at-the-worlds-most-popular-nightclubs/
GitHub：github.com/Kalli/clubster-analysis
