只需五步！哈佛学霸教你用Python分析相亲网站数据，在两万异性中找到真爱

大数据文摘出品

来历：Wired

编译：啤酒泡泡、张大笔茹、张睿毅、牛婉杨

想脱单?那还不轻易!

假如身在美国，就像别的四万万只身汉子一样，注册一下Match.com, J-Date和OkCupid等相亲网站，坐等真爱上门不就可以了。

可是信托大大都人和McKinlay一样，尽量向OkCupid算法保举匹配的女性发送了很多暧昧私信，但绝大大都都石沉大海了。

转折呈此刻2012年6月的一个早上，这个只举办过6次线下约会的汉子正在电脑上编译呆板代码，另一个窗口表现着他孤零零的结交头像，他溘然顿悟：他一向在行使错误的要领探求恋爱。

为了不辜负本身在应用数学规模取得的后果，他抉择，在OkCupid上爬取每一条相干信息，操作要害的K-Modes的改善贝尔尝试室算法找出数据纪律，缩小范畴，然后一击掷中。

换句话说，这是一次数学家独创的美满约会履历贴，还不快来看看!

第一步：说明失败缘故起因，良知知彼

OkCupid是哈佛大学的数学系门生于2004年创建的约会网站，最初这个网站吸引人们留意力的是它基于计较要领的配对模式。会员会答复许多多项选择题目，这些题目包围面很广，包罗政治、宗教、亲情、性、以及智妙手机等。

数学家Chris McKinlay

凡是，体系会从上千道题目的题库里选出350道题目—— “以下哪种气象最有也许让你去看影戏?”或是“宗教/天主在你的糊口中有多重要?”

对付每一道题目，用户会选择一个谜底，以声名本身朋侪的哪一个答复是他可以接管的，并通过给题目评分来表白题目对本身的重要性(5分制，从无关紧急到必需答复)。OkCupid的匹配引擎会操作这些数据来计较男女之间的吻合水平。越靠近100%，所谓数学意义上的魂灵朋侪就越匹配。

McKinlay从数学上说明白本身一向以来的失败缘故起因。

OkCupid的算法只会行使两边都乐意答复的题目去计较，而McKinlay选择的题目有些随机，并不主流。当他查察与本身匹配的人时，匹配度高出90%的姑娘不到100个。要知道，洛杉矶有两百万女性(约莫八万女性在行使OkCupid)。假如把匹配度比作可见度，那McKinlay可以说就是个看不见的鬼魂。

他意识到他应该去进步匹配的人数。假如McKinlay通过统计取样确定哪些题目是他喜好范例的姑娘乐意答复的，那么他便可以厚道地答复这些题目而忽略其他题目，以此来建设一个全新的用户。操作这个步伐，他可以匹配到在洛杉矶的每一个也许与他配对的姑娘，而不会匹配到不吻合的人。

第二步：借助Python，告急挚友，猖獗网络数据

Chris McKinlay操作Python剧本赏识了上百道OkCupid的问卷标题，然后把女性用户分为七类，每一类城市贴上奇异的标签，譬喻“多才多艺的”和“仔细关心的”等等。

即便作为一个数学家，McKinlay也是个差异通俗的人。他小时辰在波士顿郊区长大，2001年他从Middlebury学院结业并得到汉说话学位。同年8月份，他在纽约世贸中心北塔91层的一家公司里找了一份兼职事变，事变内容是将中文翻译成英文。五周后的一天，世贸大厦坍毁了。(那天，下战书两点前McKinlay都没来公司。当第一架飞机于早上8点46分撞上大厦的时辰，他正在睡觉。)

“自从那件过后，我问本身，我毕竟想做什么”他说。他的一个在哥伦比亚大学的伴侣雇用他进入了一个由麻省理工职业21点团队衍生出的一个团队，这之后的几年里，他便来回于纽约和拉斯维加斯，他的事变是数牌，一年能挣六万美金。

这段经验点燃了他对应用数学的乐趣，最终促使他在这个规模取得了硕士和博士学位。“他们可以或许在许多差异的景象下行使数学常识，”他说，“他们接见到一些新的游戏，好比‘三张牌的牌九扑克’，然后回家写点代码，接着就能找到计策去打败它。”

此刻，他想用同样的方法去探求恋爱。起首，他必要数据。就在他用旁边的窗口举办论文写作的时辰，他建了12个假的OkCupid账户并写好了Python剧本去打点这些账户。这个剧本会搜刮他的方针群体(25到45岁的异性恋或双性恋的姑娘)，会见她们的主页，然后爬取她们账户上每一条有效的信息：种族、身高、是否抽烟、星座—— “这些我全都要”他说。

为了找到心仪的另一半，他还做了一些特殊观测。OkCupid可以让用户看到其他人的答复，但只能看到那些他们本身已经答复过的题目。 于是McKinlay配置了本身的呆板人措施，以简朴地随机答复每个题目，他并没有行使假造的小我私人资料吸引任何女性，因此谜底并不重要，首要他要将这些女性的谜底网络到了数据库中。

McKinlay满足地看着他措施一起疾走。 然后，在网络了约莫一千个档案后，他碰着了第一个障碍。OkCupid有一个短平快的体系来防备这种数据网络，他的措施一个接一个地被禁。

因此他必需把本身的措施实习的更像真人一些。

他告急他的神经科学家伴侣Sam Torrisi，最近刚教过McKinlay音乐理论以调换高级数学课程。Torrisi也注册了OkCupid，他赞成在他的计较机上安装特工软件来监控该网站的行使。按照手中的数据，McKinlay通过编程模仿Torrisi的点击率和打字速率。他从家里带来了第二台电脑并将其插入数学系的宽带线路，以便可以24小时不中断运行。

三周后，他已经网络了来自世界各地20000名女性的600万个题目和谜底。

第三步：将20000名女性分为7类，找出最得当本身的

凭证McKinlay的事变打算，他必要从观测数据中找到一个纪律，即必要按摄影似性大致地对女性举办分组。这个题目在他编写一个名为K-Modes的改善贝尔尝试室算法时取得了盼望。

K-Modes算法1998年初次用于说明染病的大豆作物。

他通过算法发明白一个天然的支解点，按照题目和谜底，20,000名女性被分为成七个统计学组。 “我太兴奋了，”他说，“那是六月份令我最欢快的工作了。”

（编辑：河北网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!