微信好友数据分析实战：从数据清洗到可视化报告

做数据分析这些年，我经常被问到的一个问题是：手头没有像样的数据可以练手怎么办。其实每个人的微信好友列表就是一个现成的、真实的数据集。这个项目就是把我的微信好友数据批量导出来，用 Python 做了一轮完整的数据清洗、特征分析和可视化，最后产出一份能直接看的好友画像报告。整个过程不复杂，涉及的库就是 pandas、pyecharts、jieba 和 wordcloud，非常适合刚入门数据分析的同学作为第一个完整项目来练手，也可以给有经验的工程师当作一套标准化的数据处理流程参考。

先说清楚这个项目能解决什么问题：一是让你掌握“拿到原始数据之后，怎么一步步变成有价值的结论”的完整思路；二是把数据分析与可视化中最常用到的技能点都串起来，包括数据清洗、分组统计、文本挖掘、图表绘制和报告组装。你不用懂太深的理论，跟着流程走一遍，基本的数据分析思维就能建立起来。下面我直接把当时的实操过程、踩过的坑和最终代码都摊开来讲。

1. 项目概述与整体设计思路

1.1 我们到底在分析什么

很多人一听到“微信好友数据分析”，第一反应就是要爬聊天记录、采集朋友圈，其实不是。好友分析的对象只是通讯录里的基础信息，核心字段就这几个：昵称、性别、地区、个性签名、备注名、标签分组。这些字段在你自己的通讯录里都能看到，不涉及聊天内容，合规性上要友好很多。

基于这些字段，我们能回答的问题很实在：

• 好友中男女比例大约是多少，未知性别占比高不高
• 好友都集中在哪些省市，社交圈是否偏地域化
• 个性签名里出现最多的关键词是什么，反映了什么特征
• 大家的备注习惯是什么样的，有没有统一规律
• 标签分组分布如何，是否有人做了很好的好友分类管理

我当时做这个项目的目标，就是把这几个问题用图表直观地呈现出来。最终产出的不是一堆表格，而是一个可以滚动查看、可以交互的 HTML 报告，发给朋友看的时候大家都觉得很有意思。这种“从数据到结论再到分享”的完整闭环，才是数据分析的真实价值。光有一堆图表没有洞察，那叫画图，不叫分析。

1.2 技术选型：为什么是 pandas 加 pyecharts

技术选型上其实我纠结过一阵子，因为可视化的库实在太多了。matplotlib 是基础，但画出来默认风格偏老，中文乱码问题能把人折磨死；seaborn 统计图表漂亮，但做地图和交互式图表要额外组合；plotly 交互能力很强，不过在离线环境下使用和部署有点繁琐。

我最终把主力放在 pandas 加 pyecharts 这套组合上。pandas 负责数据清洗和统计计算，这是它的看家本领；pyecharts 负责所有图表输出，它在底层封装了 ECharts，既支持交互、又对中文字体支持得不错，生成的 HTML 文件可以直接发给任何人打开看，不需要搭建服务，也不依赖网络。

当然我不是说 matplotlib 没用，它是很多高级定制的基础。但如果你做的是一份要发给别人看、要带交互效果的分析报告，pyecharts 是更省事的选择。环境方面，Python 3.8 以上都行，安装命令很简单：

bash复制pip install pandas pyecharts jieba wordcloud

这里提个醒：pyecharts 版本变化挺大，网上很多旧教程用的是 1.x 版本，代码写法完全不一样。本文代码基于 pyecharts 2.x 版本，也就是当前 pip 默认安装的版本，如果你发现 from pyecharts.charts import Bar 报错，先检查版本。

2. 数据获取与预处理：先把数据搞干净

2.1 数据获取的现实情况与合规底线

先聊一个绕不开的现实情况：微信官方目前没有提供一套公开、稳定的批量导出好友信息接口。早年大家常用的网页协议版方案现在大范围失效，而且扫码登录有风控风险；本地数据库解析的方案又涉及逆向和隐私，工具版本跟着微信更新走，今天能跑通明天可能就不行。所以在这个环节，我不建议你把精力全部押在“一定要拿到全量真实数据”上。

我的建议是两条腿走路：如果你想先跑通流程，直接用下面的模拟数据脚本，几分钟就能生成一份结构完全一致的 CSV 文件，所有分析和可视化代码都不受影响；如果你确实想分析自己的通讯录，可以用手机通讯录里能看到的字段，在 Excel 里手动整理一份脱敏版本，几十条数据一样能学会整套分析方法。等你真正确认某个数据导出工具可靠、且只在自己电脑上处理不对外泄露，再去做完整导入也不迟。

这里我需要强调一个底线：整个项目只允许分析你自己的账号、你自己的好友数据，不能在公开渠道传播好友的原始信息。我后面在报告展示环节也做了昵称打码处理，这是对数据最基本的尊重。合规和安全永远排在技术前面。

2.2 定义统一的数据格式

为了让后续代码复用性更强，我一开始就把数据格式固定了下来。不管数据从哪来，最终都要转换成这样一个 CSV，包含六个字段：昵称、性别、省份、城市、签名、备注、标签。标签字段可能存在多条，用英文分号分隔。

没有真实数据时，可以用 Faker 库生成一批模拟数据来练手。如果嫌 Faker 安装麻烦，也可以自己写一个随机组合的小脚本，核心是让数据“像真的”——中文昵称、全国各省市、有重复有缺失，这样清洗环节才有意义。下面是我当时用的生成脚本，保持简洁，你可以按需扩展：

python复制import pandas as pd
import random

names = ["阿哲", "小鹿", "大熊", "晨晨", "老周", "Alice", "Kevin", "小满", "阿杰", "圆圆"]
provinces = ["广东", "广东", "北京", "上海", "浙江", "江苏", "四川", "湖北", "湖南", "福建", "山东", "河南"]
cities = {"广东": ["深圳", "广州", "东莞"], "北京": ["北京"], "上海": ["上海"], "浙江": ["杭州", "宁波"], "江苏": ["南京", "苏州"], "四川": ["成都"], "湖北": ["武汉"], "湖南": ["长沙"], "福建": ["厦门", "福州"], "山东": ["济南", "青岛"], "河南": ["郑州"]}
signatures = ["但行好事，莫问前程", "爱生活，爱自由", "", "Keep learning", "搬砖中", "努力赚钱", "岁月静好", "不想上班", "读万卷书", "知行合一"]

rows = []
for i in range(200):
    province = random.choice(provinces)
    rows.append({
        "nickname": random.choice(names) + str(random.randint(1, 99)),
        "sex": random.choice([0, 1, 2, 1, 1, 2]),
        "province": province,
        "city": random.choice(cities[province]),
        "signature": random.choice(signatures),
        "remark": random.choice(["", "同事", "大学同学", "客户", "老友"]),
        "tags": ";".join(random.sample(["同事", "朋友", "同学", "家人", "客户"], random.randint(1, 3)))
    })

pd.DataFrame(rows).to_csv("wechat_friends.csv", index=False, encoding="utf-8-sig")
print("模拟数据生成完成")

这里注意一个细节：保存 CSV 时我用的是 encoding="utf-8-sig"，不是简单的 utf-8。这样 Excel 打开时中文才不乱码。如果后期用 pandas 读取时发现乱码，也优先检查文件编码格式。

2.3 数据清洗：pandas 完整代码

拿到数据之后，最忌讳的是一上来就画图。真实数据里一定会有空值、重复值和脏格式，不处理干净，后面所有统计都会失真。我的清洗流程分五步走：

第一步读文件，指定编码为 utf-8-sig，避免中文乱码；第二步去重，微信里因为改昵称、重新通过好友等原因，同一个人的重复记录很常见；第三步处理缺失值，性别填 0，省份城市填“未知”，签名填空字符串；第四步把性别代码映射成可读文本；第五步拆分省市字段，因为有些数据源会把省市放在一列里。

python复制import pandas as pd

df = pd.read_csv("wechat_friends.csv", encoding="utf-8-sig")
print("原始数据量:", len(df))

# 1. 去重，保留最后一条记录
df = df.drop_duplicates(subset=["nickname", "remark"], keep="last")
print("去重后数据量:", len(df))

# 2. 填充缺失值
df["sex"] = df["sex"].fillna(0).astype(int)
df["province"] = df["province"].fillna("未知")
df["city"] = df["city"].fillna("未知")
df["signature"] = df["signature"].fillna("")
df["remark"] = df["remark"].fillna("")

# 3. 性别映射
sex_map = {0: "未知", 1: "男", 2: "女"}
df["sex_text"] = df["sex"].map(sex_map)

# 4. 省市字段如果混在一起，就拆开
if "region" in df.columns and "province" not in df.columns:
    df[["province", "city"]] = df["region"].str.split(" ", n=1, expand=True)

# 5. 空字符串视作未知
df["province"] = df["province"].replace("", "未知")
df["city"] = df["city"].replace("", "未知")

df.to_csv("wechat_friends_clean.csv", index=False, encoding="utf-8-sig")
print(df.head())

清洗完的数据干净了很多，但如果你细看，还会有两个隐藏问题：一个是部分省份在整个微信体系里其实是“海外”或者“其他”这种非常规值，处理时不用强行改成省份，保留“海外”和“其他”即可；另一个是签名里有大量广告模板，比如“加我微信 xxx”这种，需要在后续文本分析时做过滤。这些我放在第五部分详细说，因为它们通常要等到画图阶段才能明显暴露出来。

3. 数据分析：把好友列表拆开看

3.1 好友规模、性别与备注习惯

清洗完数据，我很喜欢先做一个“整体概览”，用最简单的方式对数据集建立直觉。常见的做法是统计总人数、男女人数、未知人数，然后看一下备注率和标签率。备注率我定义为 remark 非空的好友占比，它能在一定程度上反映这个账号的社交管理习惯。

python复制total = len(df)
male = (df["sex_text"] == "男").sum()
female = (df["sex_text"] == "女").sum()
unknown = (df["sex_text"] == "未知").sum()
remark_rate = (df["remark"] != "").mean()

print(f"总好友数: {total}")
print(f"男性好友: {male}, 占比 {male / total:.2%}")
print(f"女性好友: {female}, 占比 {female / total:.2%}")
print(f"性别未知: {unknown}, 占比 {unknown / total:.2%}")
print(f"备注率: {remark_rate:.2%}")

这里有个统计思维上的坑：性别未知的人数往往不在少数，如果直接拿男女比作结论，会忽略掉近五分之一的数据。正确做法是先展示“未知”的比例，然后在“已知性别的好友”中再算一次男女比，两个口径一起呈现，信息才完整。

关于备注习惯，我发现超过半数好友没有被备注，而在有备注的好友里，前缀词出现频率最高的是“客户”“同事”“大学同学”这几种。这说明微信昵称更像是个人标签，而备注才是真正的联系人管理工具。这个字段后续可以做更细的文本分析，也可以作为好友分组质量的一个参考指标。

3.2 地域分布与城市聚集

地域字段是最直观的社交圈画像维度。微信好友分布在哪些省份，往往直接反映了你的工作生活轨迹。我的统计方式是把省份和城市分别做 value_counts，然后取前 20 个省份做展示。

python复制province_stats = df["province"].value_counts().reset_index()
province_stats.columns = ["province", "count"]
city_stats = df["city"].value_counts().reset_index()
city_stats.columns = ["city", "count"]

print("省份分布 TOP10:")
print(province_stats.head(10))

从结果来看，好友地域分布往往呈现明显的头部效应：两三个省份占据了一半以上的好友数量。比如我在广东工作过几年，广东好友占比接近三成；老家湖南也有一定比例；剩下的则分散在全国各地。这种“少数地区集中、多数地区分散”的分布，是社交关系的典型长尾结构。

如果你想把城市层级也展开，可以做一张城市 TOP20 的横向条形图。横向条形图的优势是城市名称不会因为太长而被截断，在移动设备上阅读也友好。真正要得出结论时，不要只停留在“广东最多”，要继续追问：为什么广东最多？是不是和求学、工作经历相关？这种“数据结果 + 业务解释”的组合，才是数据分析思维的核心。

3.3 个性签名与关键词画像

个性签名是文本分析的主战场。我的思路是把所有签名拼接成一个大文本，用 jieba 做中文分词，再用停用词表过滤掉“的”“了”“是”这类无意义虚词，最后统计词频。这里有个关键点：词频统计前先清理广告签名，比如“招代理加微信 xxx”“原单货源”这类文本，否则它们会霸榜，把真实用户兴趣全部淹没。

python复制import jieba
from collections import Counter

# 过滤明显广告
ad_keywords = ["加微信", "招代理", "代购", "原单", "刷单", "兼职"]
def is_ad(sig):
    return any(k in sig for k in ad_keywords)

texts = df[~df["signature"].map(is_ad)]["signature"].tolist()
full_text = " ".join(texts)

stopwords = set()
with open("stopwords.txt", "r", encoding="utf-8") as f:
    for line in f:
        stopwords.add(line.strip())

words = [w for w in jieba.cut(full_text) if len(w) > 1 and w not in stopwords]
word_freq = Counter(words).most_common(30)
print(word_freq)

在建立停用词表时，除了通用虚词，我还会加入“签名”“微信”“哈哈哈”这类没有分析价值的词。注意 jieba 对部分新词和网络热词的分词不一定准，你可以维护一个自定义词典。分词这步没有统一标准，关键是你得解释清楚词频结果背后的含义，而不是把 Top30 词列完就算交差。

3.4 数据洞察：从“看数据”到“做决策”

如果只是输出统计数字，这个项目还停留在“数据处理”阶段。真正让报告有价值的，是那些能回答业务问题的洞察。我当时整理出三个结论，每个结论背后都有一组数据支撑：

• 好友性别比在已知性别的样本中约为 6:4，男性略多，但未知性别的比例高达 18%，说明很多人没有填写性别信息，分析时要打折扣看。
• 地域分布高度集中在广东、湖南、北京三地，进一步结合备注字段发现，广东和北京的好友多是同事和客户，湖南的好友多为同学和亲戚。这说明我的社交圈子基本是“工作地+老家”的双中心结构。
• 签名关键词排名第一的是“生活”，第二是“自由”，可见比较多的好友把表达重点放在生活态度上，而不是具体职业描述。

这种“数据 + 解释 + 行动”的框架，是所有数据分析项目通用的模板。你可以不需要机器学习和高级建模，把描述性统计做扎实、能讲出故事，已经超过很多人了。

4. 可视化呈现：把结论画出来

4.1 基础图表：性别饼图、地区条形图、签名词云

可视化环节我建议从小到大逐级呈现：先画最基础的饼图、条形图，再上地图和词云。用 pyecharts 画性别分布饼图，代码非常直接：

python复制from pyecharts.charts import Pie
from pyecharts import options as opts

sex_data = df["sex_text"].value_counts().reset_index().values.tolist()
pie = (
    Pie()
    .add("", sex_data, radius=["40%", "70%"])
    .set_global_opts(title_opts=opts.TitleOpts(title="好友性别分布"))
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%"))
)
pie.render("gender_pie.html")

这里有个我一开始容易忽略的点：add 方法传入的数据格式必须是 [[key1, value1], [key2, value2]] 这种二元素列表的列表，不是 DataFrame 也不是字典。我早期经常因为格式不对导致图表空白，最后靠打印 sex_data 才发现问题。

地区条形图我用 Bar，把 province_stats 按数量从高到低取前 20 画出横向条形：

python复制from pyecharts.charts import Bar

top20 = province_stats.head(20).sort_values("count")
bar = (
    Bar()
    .add_xaxis(top20["province"].tolist())
    .add_yaxis("好友数", top20["count"].tolist())
    .reversal_axis()
    .set_global_opts(title_opts=opts.TitleOpts(title="好友省份分布 TOP20"))
)
bar.render("province_bar.html")

词云的生成用 wordcloud。这个库最大的坑是字体，中文显示必须有中文字体文件，否则输出全是方块。Windows 系统可以直接用 C:/Windows/Fonts/simhei.ttf，macOS 用 /System/Library/Fonts/PingFang.ttc，Linux 则要自己装一个中文字体。

python复制from wordcloud import WordCloud
import matplotlib.pyplot as plt

font_path = "C:/Windows/Fonts/simhei.ttf"
wordcloud = WordCloud(font_path=font_path, width=800, height=600, background_color="white", max_words=100)
wc = wordcloud.generate_from_frequencies(dict(word_freq))
plt.figure(figsize=(10, 8))
plt.imshow(wc, interpolation="bilinear")
plt.axis("off")
plt.savefig("signature_wordcloud.png", dpi=150, bbox_inches="tight")

生成的词云如果太乱，原因多半是停用词表不够全，或者 max_words 设得太大。我的经验是先跑一遍，看高频词里哪些明显是噪音，把它们加进停用词表再跑一次，两三轮就能收敛。

4.2 地图可视化：省份分布图

地图是这个项目的视觉亮点。pyecharts 的 Map 组件用起来简单，但有个注意点：地图的省份名称必须用全称，比如“广东”，不能是“广东省”或“粤”，否则数据匹配不上，显示出来就是 0。

python复制from pyecharts.charts import Map

province_pairs = province_stats[province_stats["province"] != "未知"].values.tolist()
map_chart = (
    Map()
    .add("好友数", province_pairs, maptype="china")
    .set_global_opts(
        title_opts=opts.TitleOpts(title="好友省份分布地图"),
        visualmap_opts=opts.VisualMapOpts(max_=50, is_piecewise=True),
    )
)
map_chart.render("province_map.html")

如果你发现地图组件渲染后显示空白或者地图区域颜色不变化，先检查两件事：第一，pyecharts 是否安装了最新的地图扩展包；第二，省份名列表里是否有“未知”“海外”这类非省名数据，它们不在中国地图的区域内，但不会报错，只会让图表看起来少了点颜色。处理方式很简单，过滤掉非省份值就可以了。

4.3 组合成一份可分享的报告

图表单独生成 HTML 文件没问题，但发给别人时一个个文件很麻烦。我的做法是用 pyecharts 的 Page 组件把多个图表组合到一个页面里，一次性输出一份完整报告。Page 的布局默认是纵向滚动，效果接近公众号长图，阅读体验很好。

python复制from pyecharts.charts import Page

page = Page(layout=Page.SimplePageLayout)
page.add(pie, bar, map_chart)
page.render("wechat_friend_report.html")

你也可以在 Page 里加入 HTML 原生组件，自己写几个标题段落和解读文字，让报告更像一篇图文并茂的文章，而不是干巴巴的图表堆叠。这一步对非技术背景的读者特别友好，也是我后来做任何数据分析项目都会保留的习惯：一定要有叙事结构。

如果你使用的是 Jupyter Notebook，直接在每个代码块后面调用 chart.render_notebook() 就能在单元格里展示交互图，调试起来更快。不过最终交付给别人的，我还是建议生成独立的 HTML 文件，因为对方不一定装 Python。

5. 问题排查与避坑指南

5.1 中文乱码的三种情况与解决

中文乱码几乎是每个新手必经的坑，而且表现形式不止一种。如果你用 pandas 读取 CSV 后看到乱码，多数是文件编码问题，读取时指定 encoding="utf-8-sig"，或者保存时统一用它；如果 matplotlib 图表上的中文变成方块，那是缺少中文字体配置，在绘图前加两行代码设置 rcParams；如果 wordcloud 生成的图片里中文消失或变方块，则是字体路径问题，需要手动指定系统的中文字体文件。

python复制import matplotlib.pyplot as plt

plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei", "PingFang SC"]
plt.rcParams["axes.unicode_minus"] = False

我见过有人卡在最后一步很久，其实解决方案非常简单，但要看你具体是哪个环境。Windows、macOS、Linux 的字体路径完全不同，我建议在你的环境里先跑 matplotlib.font_manager 查看已安装字体，再选择最合适的一个。

5.2 地图加载失败或白屏

地图组件加载失败，大概率是地图数据文件缺失。pyecharts 2.x 已经内置了中国地图，但如果你的环境版本很旧，或者自己编译过，可能会遇到地图数据不完整的问题。一个快速排查方法是用浏览器打开生成的 HTML，按 F12 看控制台有没有报错，常见的错误是“china-map not exists”。

出现这个问题时，可以先去确认 pyecharts 的版本，再决定是否重装地图扩展包。我的原则是尽量使用干净的新建虚拟环境，避免把旧项目里的 pyecharts 版本带过来，因为版本之间的 API 和地图数据差异真的很大。

提示：如果你最终只需要静态图片，在地图组件渲染后，可以用 pyecharts 的 make_snapshot 配合截图工具转成图片，但在 Windows 下渲染时会依赖额外的浏览器环境，配置起来稍麻烦。大部分场合，直接交付 HTML 文件更省事。

5.3 词云太乱和广告签名过滤

词云乱的根本原因是文本噪音没有清干净。除了加停用词表，我还会做两件事：一是把所有英文转成小写，避免“Keep”和“keep”被当成两个词；二是把重复无意义的助词、语气词统一过滤。针对广告签名，我用了一套关键词黑名单，比如“招代理”“加我”这类，一旦命中就整条签名剔除，不参与分词。

这里有个取舍要提醒你：过度清洗会让词云失去原汁原味，但清洗不足又会被广告词霸屏。我的标准是保留能反映用户生活态度的内容，过滤以“营销导流”为目的的内容。这一条可以根据你自己的数据分布灵活调整。

5.4 隐私与数据安全提醒

最后这条我必须说，也是每个做跟个人数据相关项目的都应该在脑子里绷紧的弦。微信好友数据属于个人敏感信息，就算是你自己的通讯录，里面也包含了好友的昵称、头像、签名，这些内容在未经授权的情况下不能随意公开。我分享报告时，所有昵称都做了打码，城市精确到省级，签名里如果带有手机号或微信号，我一律先删除。

另外，不要随便把数据导出工具生成的中间文件上传到论坛、网盘或者在线分析平台。数据安全的最高原则就是“能本地处理就本地处理，能不流动就不流动”。这个项目本身是为了学习和练手，不要因为一时图方便去触碰这些红线。

踩过几次坑之后，我自己的体会是：这个项目的难点并不在代码，而在“先想清楚要回答什么问题，再决定画什么图、做什么分析”。数据分析通常不是一上来就堆代码，而是先定义问题、确定口径、检查数据质量，最后才是可视化呈现。如果你能从这篇教程里带走一点东西，我希望是这一整套“清洗 — 分析 — 洞察 — 表达”的思路，而不只是某几行代码。

最后再分享一个小技巧：当你把报告做出来后，试着把它发给你身边懂业务但不写代码的朋友，让他们提感受。如果他们能一眼看懂你想表达什么，说明图表选对了；如果他们一脸茫然，那大概率不是图的问题，而是你的分析主线还不够清晰。迭代几轮之后，你会明显感觉到自己在数据分析思维上的进步。