文末本文转载自微信公众号「志斌的python笔记」，作者 志斌 。转载本文请联系志斌的python笔记公众号。
大家好，我是志斌~
转眼就到11月份了，本以为能在大连过一个浪漫的秋天，但是没想到今年的大连没有秋天，直接到了寒风刺骨的冬天。。。
于是，志斌赶紧打开了Python，用它爬取并分析一波棉袄，找到一件最合适的棉袄给裹到身上。
一、数据采集
数据采集是数据可视化分析的第一步，也是最基础的一步，数据采集的数量和质量越高，后面分析的准确的也就越高，我们来看一下淘宝网的数据该如何爬取。
淘宝网站是一个动态加载的网站，我们之前可以采用解析接口或者用Selenium自动化测试工具来爬取数据，但是现在淘宝对接口进行了加密，使我们很难分析出来其中的规律，同时淘宝也对Selenium进行了反爬限制，所以我们要换种思路来进行数据获取。
打开开发者模式，开始对网页进行观察后发现，淘宝商品的数据竟然在源网页中存储着。
我翻了几页网页之后发现，每翻一页，网页的params参数中的s参数就会增加44(初始值是0)。
经过以上分析，现在我们就可以开始构造爬虫程序了。
1.导入爬虫使用的库
- import requests
- import re
- import time
- import random
- import openpyxl
2.发起请求
- for page in range(1,101):
- params = (
- ('q', '棉袄'),
- ('imgfile', ''),
- ('commend', 'all'),
- ('ssid', 's5-e'),
- ('search_type', 'item'),
- ('sourceId', 'tb.index'),
- ('spm', 'a21bo.jianhua.201856-taobao-item.2'),
- ('ie', 'utf8'),
- ('initiative_id', 'tbindexz_20170306'),
- ('hintq', '1'),
- ('s', str(page*44)),
- )
- response = requests.get(url, params=params)
3.数据存储
- a = 0
- b = 0
- for i in range(44):
- try:
- sheet.append([dianpumingcheng[i],shangpinming[i],float(jiage[i]),fahuodi[i],fukuanrenshu[i]])
- except:
- a+=1
- if a>30:
- print(f"第{page}页数据未爬取......")
- wb.save('棉袄.xlsx')
- # 把xxx改成你想要的存储的名称即可
- b = 1
- break
- if b == 1:
- break
- print(f"已爬取完第{page}页数据......")
- time.sleep(random.randint(3,5))
- nt(f'共爬取{page}页数据......')
二、数据清洗
数据采集后，要对其进行清洗，剔除脏数据，用以提高分析的准确性。
1.导入商品数据
用pandas读取爬取后的商品数据并预览。
- import pandas as pd
- df = pd.read_excel('棉袄.xlsx',names=['店铺名称','商品名','价格','产地','付款人数'])
- print(df.head())
2.删除重复数据
- df.drop_duplicates()
删除重复数据后，还有2008条数据。
3.数据类型转换
我们发现付款人数是字符串类型，我们需要将其转换成整数类型。
- wb = openpyxl.load_workbook('棉袄.xlsx')
- int_list = []
- sheet = wb['Sheet']
- for i in range(2,2008):
- str = sheet[f'E{i}'].value
- if '万+' in str:
- int_list.append(int(int(str[:-2])*random.uniform(1,2)*10000))
- elif '+' in str:
- int_list.append(int(int(str[:-1])+random.random()*1000))
- else:
- int_list.append(int(str))
- for i in range(2,2008):
- sheet.cell(i,5).value = int_list[i-2]
- wb.save('3.xlsx')
4.查看数据类型
查看字段类型和缺失值情况，符合分析需要，无需另做处理。
- df.info()
三、可视化分析
我们来对这2008家棉袄商品数据进行可视化分析。可视化图是由Python、Tableau和Excel共同绘制而来。
1.在售棉袄特点
通过对棉袄的商品名称进行词云图绘制，我们发现，今年棉袄的样式以宽松、潮流、韩版、短款类居多。
制作代码如下：
- from imageio import imread
- import jieba
- from wordcloud import WordCloud, STOPWORDS
-
- with open("1.txt",'r',encoding='utf-8') as f:
- job_title_1 = f.read()
- contents_cut_job_title = jieba.cut(job_title_1)
- contents_list_job_title = " ".join(contents_cut_job_title)
- wc = WordCloud(stopwords=STOPWORDS.add("一个"), collocations=False,
- background_color="white",
- font_path=r"K:\msyh.ttc",
- width=400, height=300, random_state=42,
- mask=imread('棉袄.jpg', pilmode="RGB")
- )
- wc.generate(contents_list_job_title)
- wc.to_file("推荐语.png")
2.各省产量分布图
通过对各商品的产地数据进行统计并绘制了全国地图，我们发现浙江、广东和福建这三个地方生产棉袄最多，分别是914家、261家和203家。
制作代码如下：
- import openpyxl
- from collections import Counter
- from pyecharts import Map
- wb = openpyxl.load_workbook('棉袄.xlsx')
- sheet = wb['Sheet']
- a = []
- for i in range(2,1960):
- D = sheet[f'D{i}']
- a.append(D.value)
- province_distribution = dict(Counter(a))
- provice = list(province_distribution.keys())
- values = list(province_distribution.values())
- map = Map("中国地图",width=1200, height=600)
- map.add("", provice, values, visual_range=[0, 50], maptype='china', is_visualmap=True,
- visual_text_color='#000',is_label_show=True)
- map.render(path="地图.html")
我们进一步对浙江省的产地数据进行分析发现，杭州的棉袄商家最多，占全省的40%。
3.棉袄价格区间分布
我们对棉袄价格以100为分点，进行可视化后发现，价格在100-200的棉袄商品最多，有869家，其次是价格在201-300之间的，有501家。看来棉袄的价格还是相对便宜的~
4.棉袄月销量top20商家
销量最高的竟然不是旗舰店，是一个李广森的自制时尚女装店，志斌打开她们家的店铺看了看，感觉还不错，可以给对象入手一套~
四、小结
本文仅供学习研究使用，提供的评论仅供参考。如有不妥之处请及时告知作者。
