我用 Python 分析了一波热卖年货，原来大家都在买这些东西（）数据挖掘python后端

今年不知道有多少小伙伴留在原地过年，虽然今年过年不能回老家，但这个年也得过，也得买年货，给家人长辈送礼。于是我出于好奇心的想法利用爬虫获取某宝数据，并结合 Python 数据分析和第三方可视化平台来分析一下大家过年都买了哪些东西，分析结果大屏如下：

文章图片

上面使用清洗好的数据后用 finebi 第三方可视化工具完成的。接下来是用 Python 的实现过程，对于本文的叙述，主要分为以下五步：

分析思路
爬虫部分
数据清洗
数据可视化及分析
结论与建议

一、分析思路
其实就今天的数据来讲，我们主要做的是探索性分析；首先梳理已有的字段，有标题（提取出品类）、价格、销量、店铺名、发货地。下面来做一下详细的维度拆分以及可视化图形选择：
品类:

品类销量的 TOP 10 有哪些？（表格或者横向条形图）
热门（出现次数最多）品类展示；（词云）

价格：年货的价格区间分布情况；（圆环图，观察占比）
销量、店铺名：

店铺销量最高的 TOP 10 有哪些？（条形图）
结合品类做联动，比如点坚果，对应展示销量排名的店铺；（联动，利用三方工具）

发货地：销量最高的城市有哪些？（地图）
二、爬取数据
爬取主要利用 selenium 模拟点击浏览器，前提是已经安装 selenium 和浏览器驱动，这里我是用的 Google 浏览器，找到对应的版本号后并下载对应的版本驱动，一定要对应浏览器的版本号。

pip install selenium

文章图片

安装成功后，运行如下代码，输入关键字"年货"，进行扫码就可以了，等着程序慢慢采集。

# coding=utf8 import re from selenium.webdriver.chrome.options import Options from selenium import webdriver import time import csv# 搜索商品，获取商品页码 def search_product(key_word): # 定位输入框 browser.find_element_by_id("q").send_keys(key_word) # 定义点击按钮，并点击 browser.find_element_by_class_name('btn-search').click() # 最大化窗口：为了方便我们扫码 browser.maximize_window() # 等待15秒，给足时间我们扫码 time.sleep(15) # 定位这个“页码”，获取“共100页这个文本” page_info = browser.find_element_by_xpath('//div[@class="total"]').text # 需要注意的是：findall()返回的是一个列表，虽然此时只有一个元素它也是一个列表。 page = re.findall("(\d+)", page_info)[0] return page# 获取数据 def get_data(): # 通过页面分析发现：所有的信息都在items节点下 items = browser.find_elements_by_xpath('//div[@class="items"]/div[@class="item J_MouserOnverReq"]') for item in items: # 参数信息 pro_desc = item.find_element_by_xpath('.//div[@class="row row-2 title"]/a').text # 价格 pro_price = item.find_element_by_xpath('.//strong').text # 付款人数 buy_num = item.find_element_by_xpath('.//div[@class="deal-cnt"]').text # 旗舰店 shop = item.find_element_by_xpath('.//div[@class="shop"]/a').text # 发货地 address = item.find_element_by_xpath('.//div[@class="location"]').text # print(pro_desc, pro_price, buy_num, shop, address) with open('{}.csv'.format(key_word), mode='a', newline='', encoding='utf-8-sig') as f: csv_writer = csv.writer(f, delimiter=',') csv_writer.writerow([pro_desc, pro_price, buy_num, shop, address])def main(): browser.get('https://www.taobao.com/') page = search_product(key_word) print(page) get_data() page_num = 1 while int(page) != page_num: print("*" * 100) print("正在爬取第{}页".format(page_num + 1)) browser.get('https://s.taobao.com/search?q={}&s={}'.format(key_word, page_num * 44)) browser.implicitly_wait(25) get_data() page_num += 1 print("数据爬取完毕！")if __name__ == '__main__': key_word = input("请输入你要搜索的商品：") option = Options() browser = webdriver.Chrome(chrome_options=option, executable_path=r"C:\Users\cherich\AppData\Local\Google\Chrome\Application\chromedriver.exe") main()

采集结果如下：

文章图片

数据准备完成，中间从标题里提取类别过程比较耗时，建议大家直接用整理好的数据。
大概思路是对标题进行分词，命名实体识别，标记出名词，找出类别名称，比如坚果、茶叶等。
三、数据清洗
这里的文件清洗几乎用 Excel 搞定，数据集小，用 Excel 效率很高，比如这里做了一个价格区间。到现在数据清洗已经完成（可以用三方工具做可视化了），如果大家爱折腾，可以接着往下看用 Python 如何进行分析。
四、数据可视化及分析
1、读取文件

import pandas as pd import matplotlib as mpl mpl.rcParams['font.family'] = 'SimHei' from wordcloud import WordCloud from ast import literal_eval import matplotlib.pyplot as plt datas = pd.read_csv('./年货.csv',encoding='gbk') datas

文章图片

2、可视化：词云图

li = [] for each in datas['关键词'].values: new_list = str(each).split(',') li.extend(new_list) def func_pd(words): count_result = pd.Series(words).value_counts() return count_result.to_dict()frequencies = func_pd(li) frequencies.pop('其他')plt.figure(figsize = (10,4),dpi=80) wordcloud = WordCloud(font_path="STSONG.TTF",background_color='white', width=700,height=350).fit_words(frequencies) plt.imshow(wordcloud) plt.axis("off") plt.show()

文章图片

图表说明：我们可以看到词云图，热门（出现次数最多）品类字体最大，依次是：坚果、茶叶、糕点等。
3、可视化：绘制圆环图

# plt.pie(x,lables,autopct,shadow,startangle,colors,explode) food_type = datas.groupby('价格区间').size() plt.figure(figsize=(8,4),dpi=80) explodes= [0,0,0,0,0.2,0.1] size = 0.3 plt.pie(food_type, radius=1,labels=food_type.index, autopct='%.2f%%', colors=['#F4A460','#D2691E','#CDCD00','#FFD700','#EEE5DE'], wedgeprops=dict(width=size, edgecolor='w')) plt.title('年货价格区间占比情况',fontsize=18) plt.legend(food_type.index,bbox_to_anchor=(1.5, 1.0)) plt.show()

文章图片

图表说明：圆环图和饼图类似，代表部分相对于整体的占比情况，可以看到0 ~ 200元的年货大概33%左右，100 ~ 200元也是33%。说明大部分的年货的价格趋于200以内。
4、可视化：绘制条形图

data = https://www.it610.com/article/datas.groupby(by='店铺名')['销量'].sum().sort_values(ascending=False).head(10) plt.figure(figsize = (10,4),dpi=80)plt.ylabel('销量') plt.title('年货销量前十名店铺',fontsize=18) colors = ['#F4A460','#D2691E','#CDCD00','#EEE5DE', '#EEB4B4', '#FFA07A', '#FFD700'] plt.bar(data.index,data.values, color=colors) plt.xticks(rotation=45) plt.show()

文章图片

图表说明：以上是店铺按销量排名情况，可以看到第一名是三只松鼠旗舰店，看来过年大家都喜欢吃干货。
5、可视化：绘制横向条形图

foods = datas.groupby(by='类别')['销量'].sum().sort_values(ascending=False).head(10) foods.sort_values(ascending=True,inplace=True) plt.figure(figsize = (10,4),dpi=80) plt.xlabel('销量') plt.title('年货推荐购买排行榜',fontsize=18) colors = ['#F4A460','#D2691E','#CDCD00','#CD96CD','#EEE5DE', '#EEB4B4', '#FFA07A', '#FFD700'] plt.barh(foods.index,foods.values, color=colors,height=1) plt.show()

文章图片

图表说明：根据类别销量排名，排名第一是坚果，验证了上面的假设，大家喜欢吃坚果。
结论与建议
淘宝热卖年货: 坚果，茶叶，糕点，饼干，糖果，白酒，核桃，羊肉，海参，枸杞；
年货推荐清单（按销量）：坚果、零食、糕点、饼干、茶叶、糖果、松子、红枣、蛋糕、卤味、瓜子、牛奶、核桃；
年货价格参考：66%以上的年货价格在0~200元之间；
【我用 Python 分析了一波热卖年货，原来大家都在买这些东西（）】热门店铺：三只老鼠、天猫超市、百草味、良品铺子；