我统计了这个问题下的13619个回答，希望能给这个问题一个基于数据的、科学客观的分析。
1. 动机
我最初看到这个问题，是因为我点进了这个问题下的一个高赞回答。随后，我又阅览了另外几个高赞回答。每个高赞的回答都有不同的特点，有些真的能唤起人的共鸣（我也是00后），有些则很有趣，有些则打动人心，有些能引人深思。
我相信大多数看到这个问题的人和我是一样的，我们都被高赞回答吸引而来，并且只看到了一些高赞的回答。然而，高赞答案不过是寥寥几十个，然而世界上有那么多的00后，我相信，这些高赞仅仅是广大00后群体的冰山一角。
那么，有意思的问题来了： 00后，作为一个广大的群体，他们的忧虑到底都有哪些？
解决这个问题的一个思路，就是分析更多的样本。 高赞答案不过是几十个，然而，这个问题下总共有一万多个回答。虽然这一万多个回答跟广大的00后群体相比依然只是沧海一粟，然而我认为如果我们能够分析这一万多个回答，我们或许可以对00后群体有更清晰的认知。
因此，我收集了北京时间2月6日下午3点之前所有回答的数据。数据获取过程中有极小量数据丢失(约1%)，最后我获得了 13619 个回答。我决定利用这13619个回答，来探索00后群体到底在忧虑什么。
2. 初步分析
首先，先看看答主们写了多少。我把这 13619 个回答按照字数的数量级归类，画出了直方图和饼图。
我们发现大部分答主的回答在10-1000字的区间，而100-1000字的答主占了超过总数一半的回答。1000字以上的回答也不少，超过了10%， 说明至少在字数层面上，有不少答主是在很用心的写作的 。如果我们认为超过100字的回答算比较认真的回答的话，那么有超过60%的答主都在认真回答问题。
随后看一下点赞的情况。我们并不意外地发现： 高赞回答仅仅占据了全部回答的极小部分 。这进一步也说明，高赞回答仅仅是冰山一角，这数十个高赞答案背后，是上万个不容易被大家看到的小于10赞的答案。
我们接下来可以看看字数和点赞数的相关性。凭直觉我们会觉得字数越多应该点赞越多，但其实这两个关系其实不是很强。
左上角的回答：00后在忧虑什么？
右上角的回答：00后在忧虑什么？
右下角的两个回答：00后在忧虑什么？（这个还有1w赞），00后在忧虑什么？（这个竟然只有5个赞）
用泊松回归拟合一下，发现Pseudo R^2是0.2255（Pseudo R^2表示关系的强烈程度，取值0~1，越接近1越强）。 这说明字数和点赞数是有关的，但是关系不是很强。
（应评论区要求，我报一下p值。通俗地来说，p值表示置信程度，一般p值越小越可信，通常p值小于0.05就是足够可信的结论。因为我的数据量很大，所以p值都非常小。上述模型中线性拟合的F值的p值，也是唯一预测变量字数的p值，是6.67e-123。泊松回归程序跑出来的 LLR的 p值是0，截距和字数的p值也都是0，实际p值应该是大于0的，应该是计算精度误差导致的。不过这些足以说明上述两个模型的置信度都是非常高的。）
另外， 这13619个答案加起来一共有 532.6万 字。我们可以看看不同赞数区间的答主各自贡献了多少字数。
这说明，这个问题下的大部分文本量，都来自于低赞（0-10赞）回答。
这个回答下有很多答主在倾述自己的忧虑。所有回答共计写了数百万字，然而，它们之中的绝大部分并不是高赞，想必这些内容也不容易被别人看到。我们容易看到的高赞（1000+赞）回答，从文本量上来看，仅仅占据这全部文本的2%。
因此，我们有必要想办法分析这一万多篇没有很多赞的回答，去分析这不容易被看到的几百万字，去挖掘冰山在水下潜藏的巨大山体。
3. 答主年龄分析
在分析这几万篇共计几百万字的回答之前，我们先有必要分析一下这些回答的作者。
「00后」这个词一般是指00-09年出生的人。但是，我们能感觉出来，这个回答下的各个00后的年龄并不是均匀分布的，所以我们可以先研究一下答主们的年龄分布。
有很多答主在回答的时候都会提到自己的出生年份。因此，我们可以用正则表达式来匹配这些信息。
([09][0-9])(年|的|高中|大学|出生|生|女|男)
这个正则表达式表示我们想要匹配形如XYZ的内容，其中X为0或9，Y为任意数字，Z为「年」、「的」、「高中」、「大学」、「出生」、「女」、「男」。
这个匹配方式可能会有一些误判，但是基本还是准确的。
匹配之后，我们发现总共有 3498个 回答暴露了自己的出生年份。把数据可视化，我们能看到：
可以看到，这个分布是非常倾斜的。00-09年出生的人中，出生越早的答主越多。 不过也可以理解，毕竟目前08、09的孩子们还太小。还有99年生的人回答得也不少，我觉得也是可以理解的。99年和00年、01年的也没什么本质区别。
所以我认为， 到目前为止这个问题下的回答所反映的情况，更多还是99-06年生的人在目前的情况，尤其是00-02年生的人的情况。
我们用这些答主的答题年份，减去他们的出生年份，便可以估算出他们回答问题的时候的年龄。
我们可以看到，大多数答主在回答问题的时候是在20岁左右。 其中20岁的人最多，15-19岁的也有很多，而且年龄越大则越多。其中21岁也有一些，22岁以上的很少。 可以看出，答主们的年纪主要还是大学生年纪，以及少部分的高中生年纪，还有极少量的其它。
4. 文本分析—00后们的忧虑是什么？
如何了解广大的00后群体到底在忧虑什么呢？
我们可以有两个思路，第一种是高频词——统计每个词在所有回答中的出现次数。这种统计非常直接，也能很好的反应一个概念在这个问题下被提到的次数。这种统计方式或许能大致可以反应00后最忧虑的事物。第二个思路就是统计每个词在多少个回答之中出现，这种统计方式大致可以反应被最多的00后关心的事物。
我们使用spacy的 zh_core_web_lg 进行分词。统计的时候要去掉各种虚词，比如的、地、得这些（严格来说是stopwords）。
4.1 统计每个词的在所有回答中的出现次数。
我们对 所有回答(13619个) 进行统计，出现频率前10的词是：
1 忧虑 频率： 24.11 次/万字
2 生活 频率： 15.18 次/万字
3 父母 频率： 13.8 次/万字
4 真的 频率： 13.69 次/万字
5 钱 频率： 12.91 次/万字
6 00后 频率： 12.09 次/万字
7 未来 频率： 12.09 次/万字
8 学习 频率： 11.85 次/万字
9 大学 频率： 11.83 次/万字
10 工作 频率： 11.82 次/万字
按照顺序，接下来的40个词依次是：努力， 学校， 焦虑， 孩子， 喜欢， 社会， 买， 家里， 妈， 高中， 感觉， 爸， 考， 成绩， 时间， 专业， 家庭， 老师， 希望， 两， 东西， 学， 世界， 高考， 同学， 事情， 压力， 次， 岁， 担心， 高， 天， 朋友， 一点， 毕业， 吃， 事， 时代， 城市，只能……
这个结果是我个人感觉是很合理的。前10个高频词，去掉题目里出现的「忧虑」、「00后」，再去掉副词「真的」，剩下7个词是：生活、父母、钱、未来、学习、大学、工作。考虑到回答问题的人应该主要是大学生，其次是高中生， 我觉得这些词是能很好的概括00后目前所忧虑的事情的 。
4.2 统计每个词在多少个回答中出现
我们对 所有回答(13619个) 进行统计：
1 忧虑 出现在了： 5368 个回答之中
2 生活 出现在了： 4059 个回答之中
3 未来 出现在了： 3796 个回答之中
4 父母 出现在了： 3374 个回答之中
5 工作 出现在了： 3355 个回答之中
6 大学 出现在了： 3332 个回答之中
7 真的 出现在了： 3268 个回答之中
8 学习 出现在了： 3091 个回答之中
9 00后 出现在了： 3075 个回答之中
10 努力 出现在了： 3050 个回答之中
接下的40个词是：钱， 学校， 感觉， 社会， 家里， 焦虑， 考， 高中， 喜欢， 家庭， 希望， 孩子， 买， 时间， 东西， 成绩， 高， 两， 毕业， 高考， 专业， 学， 世界， 事情， 只能， 压力， 一点， 岁， 事， 能力， 天， 同学， 发现， 朋友， 妈， 次， 老师， 城市， 吃， 走， 人生……
有没有发现很眼熟？没错，你会发现，两种统计方式得到的高频词表，是非常的相似的。对比咱们之前得到的全体答案高频词表，前10的词汇中，有9个是重合的。「忧虑」、「生活」、「未来」、「父母」、「工作」、「大学」、「真的」、「学习」、「00后」。而这次出现在前十而上次没有出现在前10的「努力」，在上一个列表里正好是第11。而上次进前十而这次没进的「钱」，这次也正好是第11。 这说明两种统计方式得到的结果是非常相似的。
而通过这两种统计方式得到的结果，一定程度上也能反应现在00后的忧虑。
我把所有答案的前50高频词（第一种统计方式得到的结果）拿出来，去掉一些没什么实际意义的词，去掉一些跟「忧虑」本身有关的词（「焦虑」、「压力」），剩下的高频词差不多是这些：
父母， 钱， 未来， 学习， 大学， 工作， 努力， 学校， 喜欢， 社会， 买， 家里， 妈， 高中， 爸， 考， 成绩， 时间， 专业， 家庭， 老师， 学， 世界， 高考， 同学， 朋友， 毕业， 时代
我个人总结一下，简单分个类，就是：
家庭 ：父母，家里，妈，爸，家庭
学业 ：学习，大学，学校，高中，考，成绩，专业，老师，学，高考，同学，毕业
社交： 同学，朋友
经济/工作/社会： 钱，工作，买，社会
年轻的烦恼： 努力、未来、时间，世界，时代
其实仔细看一看，00后的烦恼也没有很出乎意料。虽然我本人是00后，但我觉得80后、90后在他们这个年纪的时候，他们的忧虑应该也差不多就是这些：家庭、学业、朋友、工作、社会，以及自己年轻的理想、思想与抱负。
这只是前50词，如果我们再多用一些词，比如前100词，然后用 Li, Shen等人的词向量 GitHub - Embedding/Chinese-Word-Vectors: 100+ Chinese Word Vectors 上百种预训练中文词向量 把词翻译成向量，然后用t-SNE可视化，就可以得到回答开头的那张图:
跟我刚才手动整理的50词相比，100词看上去包含的内容更加全面一些。除了我之前总结的几个方面外，我们还能看到「吃」、「玩」等娱乐消费相关词汇，「能力」、「改变」、「优秀」等有关个人发展的词汇，还有「房子」、「结婚」等这种代表00后以逐渐步入成年的词。
然而，和刚才一样，这些词感觉也没有非常的特别。依然是很合理的年轻人会有的烦恼。
或许每一个00后都有自己复杂的烦恼，然而，当我们站在宏观的来看，00后作为一个群体，应该也没有很多特殊之处。
我也是个00后，我现在有个小小的忧虑。我希望我的这篇答案能被更多人看到，因为我用数据科学的方法分析了13619个回答，这可以给大家关于00后更全面、宏观、客观的认识。
给我点个赞再走好吗？
（双击屏幕有惊喜）
5. 额外内容：高赞能很好地代表00后们吗？
这是一个很有趣的问题。正如我在一开始所说，我相信大多数人都是被高赞回答吸引而来，并且只看到了一些高赞的回答。因此，我们想知道，这为数不多的数十个高赞回答，是否能很好地代表广大的00后。
为了解决这个问题，我们的思路是——统计高赞的词频，并把高赞词频和全体答案的词频对比。
5.1 统计每个词的在所有千赞及以上的回答回答中的出现次数。
我们统计 所有千赞及以上的回答（48个） 的高频词:
1 00后 频率： 14.17 次/万字
2 生活 频率： 11.37 次/万字
3 喜欢 频率： 10.32 次/万字
4 孩子 频率： 9.45 次/万字
5 真的 频率： 9.27 次/万字
6 努力 频率： 8.31 次/万字
7 父母 频率： 7.87 次/万字
8 工作 频率： 7.44 次/万字
9 钱 频率： 7.35 次/万字
10 高中 频率： 7.26 次/万字
按照顺序，接下来的40个词依次是：学校， 爸， 社会， 两， 时代， 忧虑， 写， 时间， 买， 焦虑， 希望， 事， 一点， 世界， 学习， 大学， 妈， 东西， 好像， 次， 天， 吃， 回答， 岁， 问， 老师， 未来， 家里， 家庭， 高， 发展， 走， 教育， 成绩， 同学， 更新， 前， 压力， 感觉， 理解……
我们对比全部回答的高频词，和高赞回答的高频词。我们发现，两者虽然不完全一致，但是依然是有很大重叠的。 比如前10高频词就有6个是重叠的：「00后」、「生活」、「真的」、「父母」、「工作」、「钱」。所有回答的前10高频词剩下的四个：「忧虑」、「未来」、「学习」、「大学」在高赞回答的前50高频词列表里也有出现；而高赞回答剩下的四个高频词：「喜欢」、「孩子」、「努力」、「高中」也在所有回答的前50高频词列表里。
5.2 统计每个词在多少个千赞以上回答中出现
所有千赞及以上的回答（48个）:
1 生活 出现在了： 34 个回答之中
2 努力 出现在了： 30 个回答之中
3 00后 出现在了： 28 个回答之中
4 忧虑 出现在了： 28 个回答之中
5 未来 出现在了： 27 个回答之中
6 世界 出现在了： 27 个回答之中
7 两 出现在了： 26 个回答之中
8 大学 出现在了： 26 个回答之中
9 希望 出现在了： 26 个回答之中
10 社会 出现在了： 25 个回答之中
接下来的40个是：工作， 父母， 时代， 真的， 时间， 吃， 学习， 买， 高， 岁， 事， 越来越， 钱， 发现， 孩子， 高中， 学校， 天， 喜欢， 东西， 人生， 前， 回答， 现实， 事情， 写， 只能， 家庭， 焦虑， 教育， 总， 家里， 次， 走， 能力， 一点， 第一， 城市， 想法， 问……
我们继续对比全部回答的高频词和高赞高频词，前10个词依然有个6个是重合的：「生活」、「努力」、「00后」、「忧虑」、「未来」、「大学」。 在统计每个词在多少个回答中出现的情况下，全部回答的高频词和高赞高频词依然有比较高的相似程度。
因此，我们发现：高赞回答和全体回答的词频分布是比较相似的。
这说明： 这个问题下的数十个高赞回答，在一定程度上，还是可以代表这上万个回答。无论赞数多少，写回答的00后们的忧虑大体都是相似的。
虽然寥寥数十个高赞回答只是这一万多个回答的冰山一角，然而，这冰山一角还是有一定代表性的。本回答从大规模数据分析的角度分析了00后的忧虑，角度比较宏观。如果你想更加具体地了解一些具体的00后们的忧虑，这些高赞回答也是可以作为很好的例子的。
如果还有什么想要挖掘的信息，请在评论区留言并追更，我会尽量加上的！
点个关注吧，谢谢大家！
