一、前言

本文就從數(shù)據(jù)爬取、數(shù)據(jù)清洗、數(shù)據(jù)可視化，這三個(gè)方面入手，但你簡(jiǎn)單完成一個(gè)小型的數(shù)據(jù)分析項(xiàng)目，讓你對(duì)知識(shí)能夠有一個(gè)綜合的運(yùn)用。

整個(gè)思路如下：

• 爬取網(wǎng)頁(yè)：https://www.jd.com/
• 爬取說(shuō)明： 基于京東網(wǎng)站，我們搜索網(wǎng)站“粽子”數(shù)據(jù)，大概有100頁(yè)。我們爬取的字段，既有一級(jí)頁(yè)面的相關(guān)信息，還有二級(jí)頁(yè)面的部分信息；
• 爬取思路： 先針對(duì)某一頁(yè)數(shù)據(jù)的一級(jí)頁(yè)面做一個(gè)解析，然后再進(jìn)行二級(jí)頁(yè)面做一個(gè)解析，最后再進(jìn)行翻頁(yè)操作；
• 爬取字段： 分別是粽子的名稱（標(biāo)題）、價(jià)格、品牌（店鋪）、類別（口味）；
• 使用工具： requests+lxml+pandas+time+re+pyecharts
• 網(wǎng)站解析方式： xpath

最終的效果如下：

二、數(shù)據(jù)爬取

京東網(wǎng)站，一般是動(dòng)態(tài)加載的，也就是說(shuō)，采用一般方式只能爬取到某個(gè)頁(yè)面的前30個(gè)數(shù)據(jù)（一個(gè)頁(yè)面一共60個(gè)數(shù)據(jù)）。

基于本文，我僅用最基本的方法，爬取了每個(gè)頁(yè)面的前30條數(shù)據(jù)（如果大家有興趣，可以自行下去爬取所有的數(shù)據(jù)）。

那么，本文究竟爬取了哪些字段呢？我給大家做一個(gè)展示，大家有興趣，可以爬取更多的字段，做更為詳細(xì)的分析。

下面為大家展示爬蟲(chóng)代碼：

import pandas as pd
import requests
from lxml import etree
import chardet
import time
import re
 
def get_CI(url):
    headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; X64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.80 Safari/537.36'}
    rqg = requests.get(url,headers=headers)
    rqg.encoding = chardet.detect(rqg.content)['encoding']
    html = etree.HTML(rqg.text)
    
    # 價(jià)格
    p_price = html.xpath('//div/div[@class="p-price"]/strong/i/text()')
    
    # 名稱
    p_name = html.xpath('//div/div[@class="p-name p-name-type-2"]/a/em')
    p_name = [str(p_name[i].xpath('string(.)')) for i in range(len(p_name))]
    
    # 深層url
    deep_ur1 = html.xpath('//div/div[@class="p-name p-name-type-2"]/a/@href')
    deep_url = ["http:" + i for i in deep_ur1]
    
    # 從這里開(kāi)始，我們獲取“二級(jí)頁(yè)面”的信息           
    brands_list = []
    kinds_list = []
    for i in deep_url:
        rqg = requests.get(i,headers=headers)
        rqg.encoding = chardet.detect(rqg.content)['encoding']
        html = etree.HTML(rqg.text)
                          
        # 品牌
        brands = html.xpath('//div/div[@class="ETab"]//ul[@id="parameter-brand"]/li/@title')
        brands_list.append(brands)
                        
        # 類別
        kinds = re.findall('>類別：(.*?)</li>',rqg.text)
        kinds_list.append(kinds)
                           
    data = pd.DataFrame({'名稱':p_name,'價(jià)格':p_price,'品牌':brands_list,'類別':kinds_list})
    return(data)
                           
x = "https://search.jd.com/Search?keyword=%E7%B2%BD%E5%AD%90&qrst=1&wq=%E7%B2%BD%E5%AD%90&stock=1&page="
url_list = [x + str(i) for i in range(1,200,2)]
res = pd.DataFrame(columns=['名稱','價(jià)格','品牌','類別'])
 
# 這里進(jìn)行“翻頁(yè)”操作
for url in url_list:
    res0 = get_CI(url)
    res = pd.concat([res,res0])
    time.sleep(3)
 
# 保存數(shù)據(jù)
res.to_csv('aliang.csv',encoding='utf_8_sig')

最終爬取到的數(shù)據(jù)：

三、數(shù)據(jù)清洗

從上圖可以看到，整個(gè)數(shù)據(jù)算是很整齊的，不是特別亂，我們只做一些簡(jiǎn)單的操作即可。

先使用pandas庫(kù)，來(lái)讀取數(shù)據(jù)。

import pandas as pd
 
df = pd.read_excel("粽子.xlsx",index_col=False)
df.head()

結(jié)果如下：

我們分別針對(duì) “品牌”、“類別” 兩個(gè)字段，去掉中括號(hào)。

df["品牌"] = df["品牌"].apply(lambda x: x[1:-1])
df["類別"] = df["類別"].apply(lambda x: x[1:-1])
df.head()

結(jié)果如下：

①  粽子品牌排名前10的店鋪

df["品牌"].value_counts()[:10]

結(jié)果如下：

② 粽子口味排名前5的味道

def func1(x):
    if x.find("甜") > 0:
        return "甜粽子"
    else:
        return x
df["類別"] = df["類別"].apply(func1)
df["類別"].value_counts()[1:6]

結(jié)果如下：

③ 粽子售賣價(jià)格區(qū)間劃分

def price_range(x): # 按照我的購(gòu)物習(xí)慣，劃分價(jià)格
    if x <= 50:
        return '<50元'
    elif x <= 100:
        return '50-100元'
    elif x <= 300:
        return '100-300元'
    elif x <= 500:
        return '300-500元'
    elif x <= 1000:
        return '500-1000元'
    else:
        return '>1000元'
 
df["價(jià)格區(qū)間"] = df["價(jià)格"].apply(price_range)
df["價(jià)格區(qū)間"].value_counts()

結(jié)果如下：

由于數(shù)據(jù)不是很多，沒(méi)有很多字段，也就沒(méi)有很多亂數(shù)據(jù)。因此，這里也沒(méi)有做數(shù)據(jù)去重、缺失值填充等操作。所以，大家可以下去獲取更多字段，更多數(shù)據(jù)，用于數(shù)據(jù)分析。

四、數(shù)據(jù)可視化

俗話說(shuō)：字不如表，表不如圖。通過(guò)可視化分析，我們可以將數(shù)據(jù)背后 “隱藏” 的信息，給展現(xiàn)出來(lái)。

拓展： 當(dāng)然，這里只是 “拋磚引玉”，我并沒(méi)有獲取太多的數(shù)據(jù)，也沒(méi)有獲取太多的字段。這里給學(xué)習(xí)的朋友當(dāng)一個(gè)作業(yè)題，自己下去用更多的數(shù)據(jù)、更多的字段，做更透徹的分析。

在這里，我們基于以下幾個(gè)問(wèn)題，做一個(gè)可視化展示，分別是：

• ① 粽子銷售店鋪Top10柱形圖；
• ② 粽子口味排名Top5柱形圖；
• ③ 粽子銷售價(jià)格區(qū)間劃分餅圖；
• ④ 粽子商品名稱詞云圖；

① 粽子銷售店鋪Top10柱形圖

結(jié)論分析：去年，我們分析了一些月餅的數(shù)據(jù)，“五芳齋”、“北京稻香村” 這幾個(gè)牌子記憶猶新，可謂是做月餅、粽子的老店。像 “三全” 和 “思念”，在我印象中一直以為它們只做水餃和湯圓，粽子是否值得一試呢？當(dāng)然，這里還有一些新的牌子，像 “諸老大”、“稻香私房” 等一些牌子，大家都可以下去搜索一下。買東西，就是要精挑細(xì)選，品牌也重要。

② 粽子口味排名Top5柱形圖

結(jié)論分析：在我印象中，小時(shí)候一直吃的最多的就是 “甜粽子”，直到我上了初中才知道，粽子還可以有肉？當(dāng)然，從圖中可以看出，賣 “鮮肉粽” 的店鋪還是居多，畢竟這個(gè)送人，還是顯得高端、大氣一些。這里還有一些口味，像 “蜜棗粽”、“豆沙粽”，我基本沒(méi)吃過(guò)。如果你送人，你會(huì)送什么口味的呢？

③ 粽子銷售價(jià)格區(qū)間劃分餅圖

結(jié)論分析：這里，我故意把價(jià)格區(qū)間細(xì)分。這個(gè)餅圖也很符合實(shí)際，畢竟每年就過(guò)一次端午節(jié)，還是以薄利多銷為主，接近80%的粽子，售價(jià)都在100元以下。當(dāng)然，還有一些中檔的粽子，價(jià)格在100-300元。大于300元，我覺(jué)得也沒(méi)有吃的必要，反正我是不會(huì)花這么多錢去買粽子。

④ 粽子商品名稱詞云圖

結(jié)論分析：從圖中，可以大致看出商家的賣點(diǎn)了。畢竟是節(jié)日，“送禮”、“禮品” 體現(xiàn)了節(jié)日氛圍。“豬肉”、“豆沙” 體現(xiàn)了粽子口味。當(dāng)然，它是否是 “早餐” 好選擇呢？購(gòu)買的話，還支持 “團(tuán)購(gòu)” 哦。這些字眼，多多少少都會(huì)各自吸引一部分人的眼球。

⑤ 圖形組合為大屏

​到此這篇關(guān)于端午節(jié)將至,用Python將粽子數(shù)據(jù)可視化,看看網(wǎng)友喜歡哪種吧!的文章就介紹到這了,更多相關(guān)Python數(shù)據(jù)可視化內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論