香蕉久久一区,97久久久久久,日韩国产欧美精品

主頁 > 知識庫 > 端午節將至,用Python爬取粽子數據并可視化,看看網友喜歡哪種粽子吧!

端午節將至,用Python爬取粽子數據并可視化,看看網友喜歡哪種粽子吧!

一、前言

本文就從數據爬取、數據清洗、數據可視化，這三個方面入手，但你簡單完成一個小型的數據分析項目，讓你對知識能夠有一個綜合的運用。

整個思路如下：

爬取網頁：https://www.jd.com/
爬取說明： 基于京東網站，我們搜索網站“粽子”數據，大概有100頁。我們爬取的字段，既有一級頁面的相關信息，還有二級頁面的部分信息；
爬取思路： 先針對某一頁數據的一級頁面做一個解析，然后再進行二級頁面做一個解析，最后再進行翻頁操作；
爬取字段： 分別是粽子的名稱（標題）、價格、品牌（店鋪）、類別（口味）；
使用工具： requests+lxml+pandas+time+re+pyecharts
網站解析方式： xpath

最終的效果如下：

二、數據爬取

京東網站，一般是動態加載的，也就是說，采用一般方式只能爬取到某個頁面的前30個數據（一個頁面一共60個數據）。

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

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

下面為大家展示爬蟲代碼：

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]
    
    # 從這里開始，我們獲取“二級頁面”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%90qrst=1wq=%E7%B2%BD%E5%AD%90stock=1page="
url_list = [x + str(i) for i in range(1,200,2)]
res = pd.DataFrame(columns=['名稱','價格','品牌','類別'])
 
# 這里進行“翻頁”操作
for url in url_list:
    res0 = get_CI(url)
    res = pd.concat([res,res0])
    time.sleep(3)
 
# 保存數據
res.to_csv('aliang.csv',encoding='utf_8_sig')

最終爬取到的數據：

三、數據清洗

從上圖可以看到，整個數據算是很整齊的，不是特別亂，我們只做一些簡單的操作即可。

先使用pandas庫，來讀取數據。

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

結果如下：

我們分別針對 “品牌”、“類別” 兩個字段，去掉中括號。

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()

結果如下：

① 粽子品牌排名前10的店鋪

df["品牌"].value_counts()[:10]

結果如下：

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]

結果如下：

③ 粽子售賣價格區間劃分

def price_range(x): # 按照我的購物習慣，劃分價格
    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["價格區間"] = df["價格"].apply(price_range)
df["價格區間"].value_counts()

結果如下：

由于數據不是很多，沒有很多字段，也就沒有很多亂數據。因此，這里也沒有做數據去重、缺失值填充等操作。所以，大家可以下去獲取更多字段，更多數據，用于數據分析。

四、數據可視化

俗話說：字不如表，表不如圖。通過可視化分析，我們可以將數據背后 “隱藏” 的信息，給展現出來。

拓展： 當然，這里只是 “拋磚引玉”，我并沒有獲取太多的數據，也沒有獲取太多的字段。這里給學習的朋友當一個作業題，自己下去用更多的數據、更多的字段，做更透徹的分析。

在這里，我們基于以下幾個問題，做一個可視化展示，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 粽子銷售價格區間劃分餅圖；
④ 粽子商品名稱詞云圖；

① 粽子銷售店鋪Top10柱形圖

結論分析：去年，我們分析了一些月餅的數據，“五芳齋”、“北京稻香村” 這幾個牌子記憶猶新，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，就是要精挑細選，品牌也重要。

② 粽子口味排名Top5柱形圖

結論分析：在我印象中，小時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？當然，從圖中可以看出，賣 “鮮肉粽” 的店鋪還是居多，畢竟這個送人，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”，我基本沒吃過。如果你送人，你會送什么口味的呢？

③ 粽子銷售價格區間劃分餅圖