Hacker News 标题中最常见的数字是哪个？

背景

Hacker News 首页上连续两条标题都包含数字 6——这本身毫无意义，但就像一根刺扎进脑子里，不解决就难受。于是有人开始好奇：在所有 Hacker News 标题中，究竟哪个数字出现得最多？ClickHouse 在其公共 playground 中托管了完整的 HN 数据集，这恰好为这类无聊但有趣的问题提供了完美的实验场。

核心内容

第一轮查询：最朴素的数字提取

直接用正则 \d+ 匹配标题中的所有连续数字，然后统计每个数字的出现次数。查询结果如下（前10名）：

| 数字 | 出现次数 | |------|----------| | 2 | 119,000+ | | 1 | 稍少 | | 3 | 再少 | | 0 | 60,931 | | ... | ... |

表面结论：2 是最受欢迎的数字。但仔细观察就发现问题：数字 0 的 6 万多次出现，并非标题中真的写了“0”，而是来自“2.0”“1.0”——正则 \d+ 会把小数点前后的数字拆开，把“2.0”变成“2”和“0”。同理，“S3”中的“3”被单独提取，“1,000 users”中的“1”和“000”也被拆成独立数字。这些伪计数严重扭曲了真实分布。

第二轮查询：更聪明的正则

为了逼近真实含义，作者改用更精确的正则，匹配：

• 带逗号分组的数字（如 1,000）
• 带小数点的数字（如 2.0 作为整体）
• 单词边界限制

同时过滤掉年份（1900–2030），因为新闻网站上的年份数字天然很多。注意 ClickHouse 中 \b 需要写成 \\b，否则会被转义成退格符，导致查询结果为空。

修正后的结果：

| 排名 | 数字 | 出现次数 | |------|------|----------| | 1 | 1 | 约 40,000+ | | 2 | 2 | 大幅下降（失去近三分之二计数） | | 3 | 3 | ... | | 4 | 4 | ... | | ... | ... | ... | | 9 | 6 | 17,933 |

冠军变成了 1。虚假的 0 消失了，年份数字（2018、2017、2020）原本被小数字压住，过滤后现形，但它们仍然排不进前十。

为什么小数字占主导？

Hacker News 标题中数字的使用模式有三种，它们共同把小数字推上高位：

1. 列表式文章：“3 ways to do X”“5 things I wish I'd known”“10 tools I actually use”。列表是链接帖的天然载体，数量通常小且整。没人会写“17 things I wish I'd known”除非真有17条，而“5 things”是编辑在标题里刻意选定的。

2. 版本号：排名最高的标题中，1、2、3 几乎全是重大软件发版公告：Ghostty 1.0、Rust 1.0、Llama 2、DALL-E 2、Meta Llama 3、Gemini 3……软件版本从 1 开始缓慢递增，早期版本号存在时间更长，因此 2 比 3 多，3 比 4 多，几乎完美递减。AI 时代加剧了这一趋势：2、3、4、5 都因模型发版帖获得新一轮高分流量。

3. 整数阈值与排名：“Top 10”“the No. 1 reason”“100 days of X”。数字被用作强调，越整越常用。10 远高于 9 和 11，因为没人会写“top 9 tools”除非真的只有9个。

两个打破规律的例外

• 19：总出现次数 17,842 并不特别，但 2020 年一年就出现了 10,439 次，是其他年份的五倍。原因很简单：COVID-19 以数字命名，该年成为头条常客，2021 年仍偏高，随后回落。
• 4：2023 年突然从 1,400 左右跃升至 2,298，与 1 和 2 短暂持平。GPT-4 于 2023 年 3 月发布，连续数月霸占首页，在折线图上留下一个明显的凸起。

至于最初的 6——它在修正后排名第 9，出现 17,933 次。首页上连续两个 6 纯属巧合，作者花了一晚上证明这一点，并表示毫不后悔。

关键要点

• 最朴素的数字提取正则 \d+ 会错误拆分小数点数字（如“2.0”）、逗号分组数字（如“1,000”）、以及包含数字的单词（如“S3”），导致统计结果严重失真。
• 修正后的查询（保留小数与逗号分组、过滤年份）显示：数字 1 是 Hacker News 标题中最常见的数字，其次为 2、3、4，整体呈递减趋势。
• 小数字占主导的三大原因：列表式文章（如“5 things”）、软件版本号（如“1.0”）、整数阈值与排名（如“Top 10”）。
• 版本号效应在 AI 时代更加显著：Llama 2、DALL-E 2、GPT-4、Meta Llama 3 等模型发版帖为对应数字贡献了大量高频出现。
• 外部事件可以明显扭曲数字频率：COVID-19（19）在 2020 年爆发式出现；GPT-4（4）在 2023 年引起短暂峰值。
• 数字 6 排名第 9，出现约 1.8 万次，首页连续两个 6 只是巧合，不具备统计意义。

意义与影响

这项看似无聊的数据探索，实际上揭示了文本分析中常见的数据陷阱：正则表达式看似简单，但语义边界模糊时，统计结果会偏离真实意图。仅靠 \d+ 提取数字，无法区分“版本号 2.0”与数字“2”“0”的独立含义，也无法处理“1,000”这样的数值。这种“问错问题”的偏差在数据科学中屡见不鲜，提醒我们预处理步骤必须考虑上下文。

更重要的是，它无意中刻画了 Hacker News 社区的文化特征：列表式文章是信息传播的惯用格式，软件发版是社区的核心兴奋点，而整数阈值（如 Top 10）是内容组织的高效工具。版本号对小数字的累积效应，使 1 到 5 成为天然“赢家”，而大模型发版（如 GPT-4）又进一步强化了这种模式。这也说明