我統計了這個問題下的13619個回答，希望能給這個問題一個基於數據的、科學客觀的分析。
1. 動機
我最初看到這個問題，是因為我點進了這個問題下的一個高贊回答。隨後，我又閱覽了另外幾個高贊回答。每個高贊的回答都有不同的特點，有些真的能喚起人的共鳴（我也是00後），有些則很有趣，有些則打動人心，有些能引人深思。
我相信大多數看到這個問題的人和我是一樣的，我們都被高贊回答吸引而來，並且只看到了一些高贊的回答。然而，高贊答案不過是寥寥幾十個，然而世界上有那麽多的00後，我相信，這些高贊僅僅是廣大00後群體的冰山一角。
那麽，有意思的問題來了： 00後，作為一個廣大的群體，他們的憂慮到底都有哪些？
解決這個問題的一個思路，就是分析更多的樣本。 高贊答案不過是幾十個，然而，這個問題下總共有一萬多個回答。雖然這一萬多個回答跟廣大的00後群體相比依然只是滄海一粟，然而我認為如果我們能夠分析這一萬多個回答，我們或授權以對00後群體有更清晰的認知。
因此，我收集了台北時間2月6日下午3點之前所有回答的數據。數據獲取過程中有極小量數據遺失(約1%)，最後我獲得了 13619 個回答。我決定利用這13619個回答，來探索00後群體到底在憂慮什麽。
2. 初步分析
首先，先看看答主們寫了多少。我把這 13619 個回答按照字數的數量級歸類，畫出了直方圖和餅圖。
我們發現大部份答主的回答在10-1000字的區間，而100-1000字的答主占了超過總數一半的回答。1000字以上的回答也不少，超過了10%， 說明至少在字數層面上，有不少答主是在很用心的寫作的 。如果我們認為超過100字的回答算比較認真的回答的話，那麽有超過60%的答主都在認真回答問題。
隨後看一下點贊的情況。我們並不意外地發現： 高贊回答僅僅占據了全部回答的極小部份 。這進一步也說明，高贊回答僅僅是冰山一角，這數十個高贊答案背後，是上萬個不容易被大家看到的小於10贊的答案。
我們接下來可以看看字數和點贊數的相關性。憑直覺我們會覺得字數越多應該點贊越多，但其實這兩個關系其實不是很強。
左上角的回答：00後在憂慮什麽？
右上角的回答：00後在憂慮什麽？
右下角的兩個回答：00後在憂慮什麽？（這個還有1w贊），00後在憂慮什麽？（這個竟然只有5個贊）
用帕松回歸擬合一下，發現Pseudo R^2是0.2255（Pseudo R^2表示關系的強烈程度，取值0~1，越接近1越強）。 這說明字數和點贊數是有關的，但是關系不是很強。
（應評論區要求，我報一下p值。通俗地來說，p值表示置信程度，一般p值越小越可信，通常p值小於0.05就是足夠可信的結論。因為我的數據量很大，所以p值都非常小。上述模型中線性擬合的F值的p值，也是唯一預測變量字數的p值，是6.67e-123。帕松回歸程式跑出來的 LLR的 p值是0，截距和字數的p值也都是0，實際p值應該是大於0的，應該是計算精度誤差導致的。不過這些足以說明上述兩個模型的置信度都是非常高的。）
另外， 這13619個答案加起來一共有 532.6萬 字。我們可以看看不同贊數區間的答主各自貢獻了多少字數。
這說明，這個問題下的大部份文本量，都來自於低贊（0-10贊）回答。
這個回答下有很多答主在傾述自己的憂慮。所有回答共計寫了數百萬字，然而，它們之中的絕大部份並不是高贊，想必這些內容也不容易被別人看到。我們容易看到的高贊（1000+贊）回答，從文本量上來看，僅僅占據這全部文本的2%。
因此，我們有必要想辦法分析這一萬多篇沒有很多贊的回答，去分析這不容易被看到的幾百萬字，去挖掘冰山在水下潛藏的巨大山體。
3. 答主年齡分析
在分析這幾萬篇共計幾百萬字的回答之前，我們先有必要分析一下這些回答的作者。
「00後」這個詞一般是指00-09年出生的人。但是，我們能感覺出來，這個回答下的各個00後的年齡並不是均勻分布的，所以我們可以先研究一下答主們的年齡分布。
有很多答主在回答的時候都會提到自己的出生年份。因此，我們可以用正規表式來匹配這些資訊。
([09][0-9])(年|的|高中|大學|出生|生|女|男)
這個正規表式表示我們想要匹配形如XYZ的內容，其中X為0或9，Y為任意數位，Z為「年」、「的」、「高中」、「大學」、「出生」、「女」、「男」。
這個匹配方式可能會有一些誤判，但是基本還是準確的。
匹配之後，我們發現總共有 3498個 回答暴露了自己的出生年份。把數據視覺化，我們能看到：
可以看到，這個分布是非常傾斜的。00-09年出生的人中，出生越早的答主越多。 不過也可以理解，畢竟目前08、09的孩子們還太小。還有99年生的人回答得也不少，我覺得也是可以理解的。99年和00年、01年的也沒什麽本質區別。
所以我認為， 到目前為止這個問題下的回答所反映的情況，更多還是99-06年生的人在目前的情況，尤其是00-02年生的人的情況。
我們用這些答主的答題年份，減去他們的出生年份，便可以估算出他們回答問題的時候的年齡。
我們可以看到，大多數答主在回答問題的時候是在20歲左右。 其中20歲的人最多，15-19歲的也有很多，而且年齡越大則越多。其中21歲也有一些，22歲以上的很少。 可以看出，答主們的年紀主要還是大學生年紀，以及少部份的高中生年紀，還有極少量的其它。
4. 文本分析—00後們的憂慮是什麽？
如何了解廣大的00後群體到底在憂慮什麽呢？
我們可以有兩個思路，第一種是高頻詞——統計每個詞在所有回答中的出現次數。這種統計非常直接，也能很好的反應一個概念在這個問題下被提到的次數。這種統計方式或許能大致可以反應00後最憂慮的事物。第二個思路就是統計每個詞在多少個回答之中出現，這種統計方式大致可以反應被最多的00後關心的事物。
我們使用spacy的 zh_core_web_lg 進行分詞。統計的時候要去掉各種虛詞，比如的、地、得這些（嚴格來說是stopwords）。
4.1 統計每個詞的在所有回答中的出現次數。
我們對 所有回答(13619個) 進行統計，出現頻率前10的詞是：
1 憂慮 頻率： 24.11 次/萬字
2 生活 頻率： 15.18 次/萬字
3 父母 頻率： 13.8 次/萬字
4 真的 頻率： 13.69 次/萬字
5 錢 頻率： 12.91 次/萬字
6 00後 頻率： 12.09 次/萬字
7 未來 頻率： 12.09 次/萬字
8 學習 頻率： 11.85 次/萬字
9 大學 頻率： 11.83 次/萬字
10 工作 頻率： 11.82 次/萬字
按照順序，接下來的40個詞依次是：努力， 學校， 焦慮， 孩子， 喜歡， 社會， 買， 家裏， 媽， 高中， 感覺， 爸， 考， 成績， 時間， 專業， 家庭， 老師， 希望， 兩， 東西， 學， 世界， 高考， 同學， 事情， 壓力， 次， 歲， 擔心， 高， 天， 朋友， 一點， 畢業， 吃， 事， 時代， 城市，只能……
這個結果是我個人感覺是很合理的。前10個高頻詞，去掉題目裏出現的「憂慮」、「00後」，再去掉副詞「真的」，剩下7個詞是：生活、父母、錢、未來、學習、大學、工作。考慮到回答問題的人應該主要是大學生，其次是高中生， 我覺得這些詞是能很好的概括00後目前所憂慮的事情的 。
4.2 統計每個詞在多少個回答中出現
我們對 所有回答(13619個) 進行統計：
1 憂慮 出現在了： 5368 個回答之中
2 生活 出現在了： 4059 個回答之中
3 未來 出現在了： 3796 個回答之中
4 父母 出現在了： 3374 個回答之中
5 工作 出現在了： 3355 個回答之中
6 大學 出現在了： 3332 個回答之中
7 真的 出現在了： 3268 個回答之中
8 學習 出現在了： 3091 個回答之中
9 00後 出現在了： 3075 個回答之中
10 努力 出現在了： 3050 個回答之中
接下的40個詞是：錢， 學校， 感覺， 社會， 家裏， 焦慮， 考， 高中， 喜歡， 家庭， 希望， 孩子， 買， 時間， 東西， 成績， 高， 兩， 畢業， 高考， 專業， 學， 世界， 事情， 只能， 壓力， 一點， 歲， 事， 能力， 天， 同學， 發現， 朋友， 媽， 次， 老師， 城市， 吃， 走， 人生……
有沒有發現很眼熟？沒錯，你會發現，兩種統計方式得到的高頻詞表，是非常的相似的。對比咱們之前得到的全體答案高頻詞表，前10的詞匯中，有9個是重合的。「憂慮」、「生活」、「未來」、「父母」、「工作」、「大學」、「真的」、「學習」、「00後」。而這次出現在前十而上次沒有出現在前10的「努力」，在上一個列表裏正好是第11。而上次進前十而這次沒進的「錢」，這次也正好是第11。 這說明兩種統計方式得到的結果是非常相似的。
而透過這兩種統計方式得到的結果，一定程度上也能反應現在00後的憂慮。
我把所有答案的前50高頻詞（第一種統計方式得到的結果）拿出來，去掉一些沒什麽實際意義的詞，去掉一些跟「憂慮」本身有關的詞（「焦慮」、「壓力」），剩下的高頻詞差不多是這些：
父母， 錢， 未來， 學習， 大學， 工作， 努力， 學校， 喜歡， 社會， 買， 家裏， 媽， 高中， 爸， 考， 成績， 時間， 專業， 家庭， 老師， 學， 世界， 高考， 同學， 朋友， 畢業， 時代
我個人總結一下，簡單分個類，就是：
家庭 ：父母，家裏，媽，爸，家庭
學業 ：學習，大學，學校，高中，考，成績，專業，老師，學，高考，同學，畢業
社交： 同學，朋友
經濟/工作/社會： 錢，工作，買，社會
年輕的煩惱： 努力、未來、時間，世界，時代
其實仔細看一看，00後的煩惱也沒有很出乎意料。雖然我本人是00後，但我覺得80後、90後在他們這個年紀的時候，他們的憂慮應該也差不多就是這些：家庭、學業、朋友、工作、社會，以及自己年輕的理想、思想與抱負。
這只是前50詞，如果我們再多用一些詞，比如前100詞，然後用 Li, Shen等人的詞向量 GitHub - Embedding/Chinese-Word-Vectors: 100+ Chinese Word Vectors 上百種預訓練中文詞向量 把詞轉譯成向量，然後用t-SNE視覺化，就可以得到回答開頭的那張圖:
跟我剛才手動整理的50詞相比，100詞看上去包含的內容更加全面一些。除了我之前總結的幾個方面外，我們還能看到「吃」、「玩」等娛樂消費相關詞匯，「能力」、「改變」、「優秀」等有關個人發展的詞匯，還有「房子」、「結婚」等這種代表00後以逐漸步入成年的詞。
然而，和剛才一樣，這些詞感覺也沒有非常的特別。依然是很合理的年輕人會有的煩惱。
或許每一個00後都有自己復雜的煩惱，然而，當我們站在宏觀的來看，00後作為一個群體，應該也沒有很多特殊之處。
我也是個00後，我現在有個小小的憂慮。我希望我的這篇答案能被更多人看到，因為我用數據科學的方法分析了13619個回答，這可以給大家關於00後更全面、宏觀、客觀的認識。
給我點個贊再走好嗎？
（雙擊螢幕有驚喜）
5. 額外內容：高贊能很好地代表00後們嗎？
這是一個很有趣的問題。正如我在一開始所說，我相信大多數人都是被高贊回答吸引而來，並且只看到了一些高贊的回答。因此，我們想知道，這為數不多的數十個高贊回答，是否能很好地代表廣大的00後。
為了解決這個問題，我們的思路是——統計高贊的詞頻，並把高贊詞頻和全體答案的詞頻對比。
5.1 統計每個詞的在所有千贊及以上的回答回答中的出現次數。
我們統計 所有千贊及以上的回答（48個） 的高頻詞:
1 00後 頻率： 14.17 次/萬字
2 生活 頻率： 11.37 次/萬字
3 喜歡 頻率： 10.32 次/萬字
4 孩子 頻率： 9.45 次/萬字
5 真的 頻率： 9.27 次/萬字
6 努力 頻率： 8.31 次/萬字
7 父母 頻率： 7.87 次/萬字
8 工作 頻率： 7.44 次/萬字
9 錢 頻率： 7.35 次/萬字
10 高中 頻率： 7.26 次/萬字
按照順序，接下來的40個詞依次是：學校， 爸， 社會， 兩， 時代， 憂慮， 寫， 時間， 買， 焦慮， 希望， 事， 一點， 世界， 學習， 大學， 媽， 東西， 好像， 次， 天， 吃， 回答， 歲， 問， 老師， 未來， 家裏， 家庭， 高， 發展， 走， 教育， 成績， 同學， 更新， 前， 壓力， 感覺， 理解……
我們對比全部回答的高頻詞，和高贊回答的高頻詞。我們發現，兩者雖然不完全一致，但是依然是有很大重疊的。 比如前10高頻詞就有6個是重疊的：「00後」、「生活」、「真的」、「父母」、「工作」、「錢」。所有回答的前10高頻詞剩下的四個：「憂慮」、「未來」、「學習」、「大學」在高贊回答的前50高頻詞列表裏也有出現；而高贊回答剩下的四個高頻詞：「喜歡」、「孩子」、「努力」、「高中」也在所有回答的前50高頻詞列表裏。
5.2 統計每個詞在多少個千贊以上回答中出現
所有千贊及以上的回答（48個）:
1 生活 出現在了： 34 個回答之中
2 努力 出現在了： 30 個回答之中
3 00後 出現在了： 28 個回答之中
4 憂慮 出現在了： 28 個回答之中
5 未來 出現在了： 27 個回答之中
6 世界 出現在了： 27 個回答之中
7 兩 出現在了： 26 個回答之中
8 大學 出現在了： 26 個回答之中
9 希望 出現在了： 26 個回答之中
10 社會 出現在了： 25 個回答之中
接下來的40個是：工作， 父母， 時代， 真的， 時間， 吃， 學習， 買， 高， 歲， 事， 越來越， 錢， 發現， 孩子， 高中， 學校， 天， 喜歡， 東西， 人生， 前， 回答， 現實， 事情， 寫， 只能， 家庭， 焦慮， 教育， 總， 家裏， 次， 走， 能力， 一點， 第一， 城市， 想法， 問……
我們繼續對比全部回答的高頻詞和高贊高頻詞，前10個詞依然有個6個是重合的：「生活」、「努力」、「00後」、「憂慮」、「未來」、「大學」。 在統計每個詞在多少個回答中出現的情況下，全部回答的高頻詞和高贊高頻詞依然有比較高的相似程度。
因此，我們發現：高贊回答和全體回答的詞分頻布是比較相似的。
這說明： 這個問題下的數十個高贊回答，在一定程度上，還是可以代表這上萬個回答。無論贊數多少，寫回答的00後們的憂慮大體都是相似的。
雖然寥寥數十個高贊回答只是這一萬多個回答的冰山一角，然而，這冰山一角還是有一定代表性的。本回答從大規模數據分析的角度分析了00後的憂慮，角度比較宏觀。如果你想更加具體地了解一些具體的00後們的憂慮，這些高贊回答也是可以作為很好的例子的。
如果還有什麽想要挖掘的資訊，請在評論區留言並追更，我會盡量加上的！
點個關註吧，謝謝大家！
