Seuraava artikkeli auttaa sinua: Google Core -päivityksen voittajien ja häviäjien visualisointi Pythonilla
SEO-asiantuntijoille Googlen ydinpäivitykset ovat elämäntapa. Niitä tapahtuu vähintään kerran – ellei useita kertoja – vuodessa.
Luonnollisesti on voittajia ja häviäjiä.
Vaikka Google ei paljasta suurinta osaa algoritmipäivitysten taustalla olevista sijoitustekijöistä, voimme tehdä asioita saadaksemme paremman käsityksen siitä, mitä tapahtuu.
- Minkä sivuston sisältö vaikuttaa.
- Hakutilassasi toimivat sivustot.
- Tulostyypit.
Rajana on mielikuvituksesi, kysymyksesi (seo-osaamisesi perusteella) ja tietysti tietosi.
Tämä koodi kattaa aggregaatit hakukoneen tulossivun (SERP) tasolla (sivustojen välinen luokkien vertailu), ja samoja periaatteita voidaan soveltaa muihin ydinpäivityksen näkymiin, kuten tulostyyppeihin (ajatteluakatkelmat ja muut yllä mainitut näkymät). .
Pythonin käyttäminen SERP:iden vertailuun
Yleinen periaate on verrata SERP:itä ennen ja jälkeen ydinpäivityksen, mikä antaa meille vihjeitä siitä, mitä tapahtuu.
Aloitamme tuomalla Python-kirjastomme:
tuonti uudelleen tuonti aika tuonti satunnainen tuonti pandat pd-muodossa tuonti numpy as np tuonti päivämäärä-aika alkaen päivämäärä-aika tuonti aikadelta osoitteesta plotnine tuonti * tuonti matplotlib.pyplot as plt osoitteesta pandas.api.types tuonti is_string_dtype osoitteesta pandas.api.types tuonti is_numeric_dtype tuonti uritools pd. set_option(‘display.max_colwidth’, Ei mitään) %matplotlib inline
Joitakin muuttujia määriteltäessä keskitymme ON24.comiin, koska se hävisi ydinpäivitykselle.
root_domain = ‘on24.com’ hostdomain = ‘www.on24.com’ hostname=”on24″ full_domain = ‘https://www.on24.com’ site_name=”ON24″
Lukeessamme tietoja käytämme GetSTATin vientiä, jossa on hyödyllinen raportti, jonka avulla voit verrata avainsanojesi SERP-arvoja ennen ja jälkeen.
Tämä SERPs-raportti on saatavilla muilta sijoitusseurantapalveluntarjoajilta, kuten SEO-näyttö ja Advanced Web Ranking – ei mieltymyksiä tai suosituksia puolellani!
getstat_ba_urls = pd.read_csv(‘data/webinars_top_20.csv’, encoding = ‘UTF-16’, sep = ‘\t’) getstat_raw.head() getstat_ba_urls = getstat_raw
Muodosta URL-osoitteet yhdistämällä protokolla ja URL-merkkijono saadaksesi täydellisen sijoituksen URL-osoitteen sekä ennen päivitystä että sen jälkeen.
getstat_ba_urls[‘before_url’] = getstat_ba_urls[‘Protocol for Nov 19, 2020’] + ‘://’ + getstat_ba_urls[‘Ranking URL on Nov 19, 2020’]
getstat_ba_urls[‘after_url’] = getstat_ba_urls[‘Protocol for Dec 17, 2020’] + ‘://’ + getstat_ba_urls[‘Ranking URL on Dec 17, 2020’]
getstat_ba_urls[‘before_url’] = np.where(getstat_ba_urls[‘before_url’].isnull(), ”, getstat_ba_urls[‘before_url’]) getstat_ba_urls[‘after_url’] = np.where(getstat_ba_urls[‘after_url’].isnull(), ”, getstat_ba_urls[‘after_url’])
Saadaksemme sijoittuvien URL-osoitteiden verkkotunnukset luomme URL-osoitteesta kopion uuteen sarakkeeseen, poistamme aliverkkotunnukset käyttämällä if-lausetta, joka on upotettu luettelon ymmärtämiseen:
getstat_ba_urls[‘before_site’] = [uritools.urisplit(x).authority if uritools.isuri(x) else x for x in getstat_ba_urls[‘before_url’]]stop_sites = [‘hub\.’, ‘blog\.’, ‘www\.’, ‘impact\.’, ‘harvard\.’, ‘its\.’, ‘is\.’, ‘support\.’]
getstat_ba_urls[‘before_site’] = getstat_ba_urls[‘before_site’].str.replace(‘|’.join(stop_sites), ”)
Luettelon ymmärtäminen toistetaan verkkotunnusten purkamiseksi päivityksen jälkeen.
getstat_ba_urls[‘after_site’] = [uritools.urisplit(x).authority if uritools.isuri(x) else x for x in getstat_ba_urls[‘after_url’]]getstat_ba_urls[‘after_site’] = getstat_ba_urls[‘after_site’].str.replace(‘|’.join(stop_sites), ”) getstat_ba_urls.columns = [x.lower() for x in getstat_ba_urls.columns]
getstat_ba_urls = getstat_ba_urls.rename(columns = {‘maailmanlaajuinen kuukausittainen hakumäärä’: ‘search_volume’ }) getstat_ba_urls
Poista useita ranking-URL-osoitteita
Seuraava vaihe on poistaa useita URL-osoitteita samalla verkkotunnuksella avainsanaa kohden SERP. Jaamme tiedot kahteen joukkoon, ennen ja jälkeen.
Sitten ryhmittelemme avainsanan mukaan ja suoritamme duplikoinnin:
getstat_bef_unique = getstat_ba_urls[[‘keyword’, ‘market’, ‘location’, ‘device’, ‘search_volume’, ‘rank’,
‘result types for nov 19, 2020’, ‘protocol for nov 19, 2020’,
‘ranking url on nov 19, 2020’, ‘before_url’, ‘before_site’]]getstat_bef_unique = getstat_bef_unique.sort_values(‘rank’).groupby([‘before_site’, ‘device’, ‘keyword’]).first() getstat_bef_unique = getstat_bef_unique.reset_index() getstat_bef_unique = getstat_bef_unique[getstat_bef_unique[‘before_site’] != ”]getstat_bef_unique = getstat_bef_unique.sort_values([‘keyword’, ‘device’, ‘rank’]) getstat_bef_unique = getstat_bef_unique.rename(columns = {‘sijoitus’: ‘ennen_sijoitusta’, ‘tulostyypit 19.11.2020’: ‘ennen_pätkät’}) getstat_bef_unique = getstat_bef_unique[[‘keyword’, ‘market’, ‘device’, ‘before_snippets’, ‘search_volume’,
‘before_url’, ‘before_site’, ‘before_rank’
]]getstat_bef_unique
Toimenpide toistetaan jälki-tietojoukolle.
getstat_aft_unique = getstat_ba_urls[[‘keyword’, ‘market’, ‘location’, ‘device’, ‘search_volume’, ‘rank’,
‘result types for dec 17, 2020’, ‘protocol for dec 17, 2020’,
‘ranking url on dec 17, 2020’, ‘after_url’, ‘after_site’]]getstat_aft_unique = getstat_aft_unique.sort_values(‘rank’).groupby([‘after_site’, ‘device’, ‘keyword’]).first() getstat_aft_unique = getstat_aft_unique.reset_index() getstat_aft_unique = getstat_aft_unique[getstat_aft_unique[‘after_site’] != ”]getstat_aft_unique = getstat_aft_unique.sort_values([‘keyword’, ‘device’, ‘rank’]) getstat_aft_unique = getstat_aft_unique.rename(columns = {‘rank’: ‘after_rank’, ‘tulostyypit 17.12.2020’: ‘after_snippets’}) getstat_aft_unique = getstat_aft_unique[[‘keyword’, ‘market’, ‘device’, ‘after_snippets’, ‘search_volume’,
‘after_url’, ‘after_site’, ‘after_rank’
]]
Segmentoi SERP-sivustot
Mitä tulee ydinpäivityksiin, useimmat vastaukset ovat yleensä SERP:issä. Tästä voimme nähdä, mitkä sivustot palkitaan ja muut, jotka häviävät.
Kun tietojoukot on poistettu ja erotettu, selvitämme yleiset kilpailijat, jotta voimme alkaa segmentoida niitä manuaalisesti, mikä auttaa meitä visualisoimaan päivityksen vaikutuksen.
serps_before = getstat_bef_unique serps_after = getstat_aft_unique serps_before_after = serps_ennen_after.merge(serps_after, left_on = [‘keyword’, ‘before_site’, ‘device’, ‘market’, ‘search_volume’]right_on = [‘keyword’, ‘after_site’, ‘device’, ‘market’, ‘search_volume’]miten = ‘vasen’)
Sijoitussarakkeiden puhdistaminen nolla-arvoista (NAN Not a Number) np.where()-funktiolla, joka on Pandan vastine Excelin if-kaavalle.
serps_ennen_jälkeen[‘before_rank’] = np.where(serps_ennen_jälkeen[‘before_rank’].isnull(), 100, serps_ennen_jälkeen[‘before_rank’]) serps_ennen_jälkeen[‘after_rank’] = np.where(serps_ennen_jälkeen[‘after_rank’].isnull(), 100, serps_ennen_jälkeen[‘after_rank’])
Jotkut laskelmat tiedot osoittavat sijoituksen eron ennen ja jälkeen sekä sen, onko URL-osoite muuttunut.
serps_ennen_jälkeen[‘rank_diff’] = serps_ennen_jälkeen[‘before_rank’] – serps_ennen_jälkeen[‘after_rank’]
serps_ennen_jälkeen[‘url_change’] = np.where(serps_ennen_jälkeen[‘before_url’] == serps_ennen_jälkeen[‘after_url’]0, 1) serps_ennen_jälkeen[‘project’] = sivuston_nimi serps_ennen_jälkeen[‘reach’] = 1 serps_ennen_jälkeen
Kokoa Voittajasivustot
Kun tiedot on puhdistettu, voimme nyt koota nähdä, mitkä sivustot ovat hallitsevimpia.
Tätä varten määritämme funktion, joka laskee painotetun keskimääräisen sijoituksen hakumäärän mukaan.
Kaikki avainsanat eivät ole yhtä tärkeitä, mikä tekee analyysistä mielekkäämpää, jos välität avainsanoista, jotka saavat eniten hakuja.
def wavg_rank(x): names = {‘wavg_rank’: (x[‘before_rank’] * (x[‘search_volume’] + 0,1)).summa()/(x[‘search_volume’] + 0.1).sum()} palauttaa pd.Series(names, index=[‘wavg_rank’]).round(1) rank_df = serps_before_after.groupby(‘ennen_sivustoa’).apply(wavg_rank).reset_index() reach_df = serps_before_after.groupby(‘ennen_sivustoa’).agg({‘reach’: ‘summa’}).sort_values (‘reach’, nouseva = False).reset_index() commonstats_full_df = rank_df.merge(reach_df, on = ‘ennen_sivustoa’, how = ‘left’).sort_values(‘reach’, nouseva = False) commonstats_df = common_valudesf_fult ‘reach’, nouseva = False).reset_index() commonstats_df.head()
Vaikka painotettu keskimääräinen sijoitus on tärkeä, niin on myös kattavuus, koska se kertoo meille sivuston Googlessa läsnäolon laajuuden eli avainsanojen määrän.
Kattavuus auttaa meitä myös priorisoimaan sivustot, jotka haluamme sisällyttää segmentointiimme.
Segmentointi toimii np.select-funktiolla, joka on kuin mega sisäkkäinen Excel if -kaava.
Ensin luomme luettelon ehdoistamme.
domain_conds = [
commonstats_df[‘before_site’].isin([‘google.com’, ‘medium.com’, ‘forbes.com’, ‘en.m.wikipedia.org’,
‘hbr.org’, ‘en.wikipedia.org’, ‘smartinsights.com’, ‘mckinsey.com’,
‘techradar.com’,’searchenginejournal.com’,
‘cmswire.com’]), commonstats_df[‘before_site’].isin([‘on24.com’, ‘gotomeeting.com’, ‘marketo.com’, ‘zoom.us’, ‘livestorm.co’,
‘hubspot.com’, ‘drift.com’, ‘salesforce.com’, ‘clickmeeting.com’,
‘qualtrics.com’, ‘workcast.com’, ‘livewebinar.com’, ‘getresponse.com’,
‘superoffice.com’, ‘myownconference.com’, ‘info.workcast.com’]), commonstats_df[‘before_site’].isin([ ‘neilpatel.com’, ‘ventureharbour.com’, ‘wordstream.com’,
‘business.tutsplus.com’, ‘convinceandconvert.com’]), commonstats_df[‘before_site’].isin([‘trustradius.com’, ‘g2.com’, ‘capterra.com’, ‘softwareadvice.com’,
‘learn.g2.com’]), commonstats_df[‘before_site’].isin([‘youtube.com’, ‘m.youtube.com’, ‘facebook.com’, ‘linkedin.com’,
‘business.linkedin.com’,
]) ]
Sitten luomme luettelon arvoista, jotka haluamme määrittää kullekin ehdolle.
segmentin_arvot = [‘publisher’, ‘martech’, ‘consulting’, ‘reviews’, ‘social_media’]
Luo sitten uusi sarake ja anna sille arvot np.select-komennolla käyttämällä luettelojamme argumentteina.
commonstats_df[‘segment’] = np.select(domain_conds, segment_values, default=”other”) commonstats_df = commonstats_df[[‘before_site’, ‘segment’, ‘reach’, ‘wavg_rank’]]commonstats_df
Verkkotunnukset on nyt segmentoitu, mikä tarkoittaa, että voimme aloittaa yhdistämisen nähdäksemme, mitkä sivustotyypit hyötyivät päivityksestä ja heikensivät sitä.
# SERPs ennen ja jälkeen Rank serps_stats = commonstats_df[[‘before_site’, ‘segment’]]serps_segments = commonstats_df.segment.to_list()
Yhdistämme ainutlaatuiset ennen SERPs -tiedot välittömästi yllä luotuun SERP-segmenttitaulukkoon segmentoidaksemme sijoitus-URL-osoitteet yhdistämistoiminnolla.
Yhdistämistoiminto, joka käyttää eft-parametria, vastaa Excelin vlookup- tai index match -toimintoa.
serps_before_segmented = getstat_bef_unique.merge(serps_stats, on = ‘ennen_sivustoa’, how = ‘left’) serps_before_segmented = serps_before_segmented[~serps_before_segmented.segment.isnull()]
serps_before_segmented = serps_ennen_segmentoitu[[‘keyword’, ‘segment’, ‘device’, ‘search_volume’, ‘before_snippets’,
‘before_rank’, ‘before_url’, ‘before_site’]]serps_ennen_segmentoitu[‘count’] = 1 serps_queries = serps_ennen_segmentoitua[‘keyword’].to_list() serps_queries = list(set(serps_queries)) serps_before_segmented Kuvakaappaus tekijän mukaan, tammikuu 2022
Ennen SERP:ien yhdistäminen:
def wavg_rank_before(x): names = {‘wavg_rank_before’: (x[‘before_rank’] *x[‘search_volume’]).sum()/(x[‘search_volume’]).sum()} palauttaa pd.Series(names, index=[‘wavg_rank_before’]).round(1) serps_ennen_agg = serps_ennen_segmentoitu serps_before_wavg = serps_ennen_agg.groupby([‘segment’, ‘device’]).apply(wavg_rank_before).reset_index() serps_before_sum = serps_ennen_agg.groupby([‘segment’, ‘device’]).agg({‘count’: ‘sum’}).reset_index() serps_before_stats = serps_before_wavg.merge(serps_ennen_summaa, on = [‘segment’, ‘device’]how = ‘left’) serps_before_stats = serps_before_stats.rename(columns = {‘count’: ‘ennen_n’}) serps_before_stats
Toista toimenpide jälki-SERP:ille.
# SERPs Rankin jälkeen aft_serps_segments = commonstats_df[[‘before_site’, ‘segment’][_segmentoitu[~serps_after_segmented.segment.isnull()]
serps_after_segmented = serps_after_segmented[[‘keyword’, ‘segment’, ‘device’, ‘search_volume’, ‘after_snippets’,
‘after_rank’, ‘after_url’, ‘after_site’]]serps_after_segmented[‘count’] = 1 serps_queries = serps_after_segmented[‘keyword’].to_list() serps_queries = lista(set(serps_queries)) def wavg_rank_after(x): names = {‘wavg_rank_after’: (x[‘after_rank’] *x[‘search_volume’]).sum()/(x[‘search_volume’]).sum()} palauttaa pd.Series(names, index=[‘wavg_rank_after’]).round(1) serps_after_agg = serps_after_segmented serps_after_wavg = serps_after_agg.groupby([‘segment’, ‘device’]).apply(wavg_rank_after).reset_index() serps_after_sum = serps_after_agg.groupby([‘segment’, ‘device’]).agg({‘count’: ‘sum’}).reset_index() serps_after_stats = serps_after_wavg.merge(serps_after_sum, on = [‘segment’, ‘device’]how = ‘left’) serps_after_stats = serps_after_stats.rename(columns = {‘count’: ‘after_n’}) serps_after_stats
Kun molemmat SERP:t on tiivistetty, voimme liittyä niihin ja alkaa tehdä vertailuja.
serps_compare_stats = serps_before_stats.merge(serps_after_stats, on = [‘device’, ‘segment’]miten = ‘vasen’) serps_compare_stats[‘wavg_rank_delta’] = serps_vertaa_tilastot[‘wavg_rank_after’] – serps_compare_stats[‘wavg_rank_before’]
serps_compare_stats[‘sites_delta’] = serps_vertaa_tilastot[‘after_n’] – serps_compare_stats[‘before_n’]
serps_compare_stats
Vaikka voimme nähdä, että julkaisijoiden sivustot näyttivät saavan eniten voittoa useammilla hakusanoilla, kuva kertoisi varmasti 1000 sanaa enemmän PowerPoint-paketissa.
Pyrimme tekemään tämän muokkaamalla tiedot pitkäksi muotoon, jota Python-grafiikkapaketti “plotnine” suosii.
serps_compare_viz = serps_compare_stats serps_rank_viz = serps_compare_viz[[‘device’, ‘segment’, ‘wavg_rank_before’, ‘wavg_rank_after’]].reset_index() serps_rank_viz = serps_rank_viz.rename(columns = {‘wavg_rank_before’: ‘ennen’, ‘wavg_rank_after’: ‘after’, }) serps_rank_viz = pd.melt(serps_rank_varsviz=,[‘device’, ‘segment’]arvo_muuttujat=[‘before’, ‘after’]var_name=”phase”, value_name=”rank”) serps_rank_viz serps_ba_plt = ( ggplot(serps_rank_viz, aes(x = ‘segment’, y = ‘rank’, color=”phase”, fill=”phase”)) + geom_bar (stat=”identiteetti”, alfa = 0,8, sijainti = ‘väistää’) + labs(y = ‘Google-sijoitus’, x = ‘vaihe’) + scale_y_reverse() + theme(legend_position = ‘oikea’, axis_text_x=element_text( rotation=90, hjust=1)) + facet_wrap(‘device’) ) serps_ba_plt
Ja meillä on ensimmäinen visualisointi, joka näyttää meille, kuinka useimmat sivustotyypit nousivat sijoituksissa, mikä on vain puolet tarinasta.
Katsotaanpa myös 20 parhaan joukkoon osallistuneiden määrää.
Jättäen huomioimatta Muut-segmentin voimme nähdä, että Martech ja Publishers olivat tärkeimmät voittajat avainsanojen kattavuuden laajentamisessa.
Yhteenveto
Kesti hieman koodia luodaksesi yhden kaavion, jossa oli kaikki puhdistus ja aggregointi.
Periaatteita voidaan kuitenkin soveltaa laajempien voittaja-häviäjä-näkemysten saavuttamiseen, kuten:
- Verkkotunnuksen taso.
- Sivuston sisäinen sisältö.
- Tulostyypit.
- Kannibalisoituja tuloksia.
- Ranking URL Sisältötyypit (blogit, tarjoussivut jne.).
Useimmissa SERP-raporteissa on tiedot yllä olevien laajennettujen näkymien suorittamiseen.
Vaikka se ei välttämättä paljasta selkeästi keskeistä sijoitustekijää, näkemykset voivat kertoa paljon siitä, mitä tapahtuu, auttaa sinua selittämään ydinpäivityksen kollegoillesi ja luomaan hypoteeseja, joiden avulla voit testata, oletko yksi vähemmän onnellisista. elpyä.
Lisää resursseja:
