用python爬取4332条粽子数据进行分析,再送15盒粽子给大家

↑  点击上方 “ 凹凸数据 ” 关注 + 星标 ~ 

文章干货!有福利 ! 

端午节快要到了,甜咸粽子之争也快要拉开帷幕。

小五准备用Python爬取淘宝上的粽子数据并进行分析,看看有什么发现。

(顺便送大家一波福利)

爬虫

爬取淘宝数据,本次采用的方法是:Selenium控制Chrome浏览器自动化操作 [1]。其实我们还可以利用Ajax接口来构造链接,但是非常繁琐(包含加密秘钥等),直接使用Selenium来模拟浏览器会省去很多事情;

之前的文章我们也用过相同的方法,比如:爬电脑、爬电脑、爬完电脑买不起

最常见的问题是chromedriver驱动与谷歌浏览器的版本不匹配,很容易就可以解决。接下来,我们就开始利用selenium抓取淘宝商品,并使用Xpath解析得到商品名、价格、付款人数、店铺名、发货地址信息,最后将数据保存在本地。

爬虫过程如下图:

selenium自动化爬取(需要淘宝扫描登录一次)

1from selenium import webdriver 2 3# 搜索商品,获取商品页码 4def search_product(key_word): 5    # 定位输入框 6    browser.find_element_by_id("q").send_keys(key_word) 7    # 定义点击按钮,并点击 8    browser.find_element_by_class_name('btn-search').click() 9    # 最大化窗口:为了方便我们扫码 10    browser.maximize_window() 11    # 等待15秒,给足时间我们扫码 12    time.sleep(15) 13    # 定位这个“页码”,获取“共100页这个文本” 14    page_info = browser.find_element_by_xpath('//div[@class="total"]').text 15    # 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。 16    page = re.findall("(\d+)",page_info)[0] 17    return page 18 19

详细爬虫代码下载见文末。

数据整理

此时我们爬取得到的数据:

整理前的数据

数据还是比较粗糙的,有几个问题需要我们去处理:

添加列名

去除重复数据(翻页爬取过程中会有重复)

购买人数为空的记录,替换成0人付款

将购买人数转换为销量(注意部分单位为万)

删除无发货地址的商品,并提取其中的省份

部分代码:

1# 删除无发货地址的商品,并提取省份 2df = df[df['发货地址'].notna()] 3df['省份'] = df['发货地址'].str.split(' ').apply(lambda x:x[0]) 4 5# 删除多余的列 6df.drop(['付款人数', '发货地址', 'num', 'unit'], axis=1, inplace=True) 7 8# 重置索引 9df = df.reset_index(drop=True) 10df.head(10)  11 12

整理后的数据

这样我们就对数据完成了清洗与整理,方便下一步进行可视化。

顺便做个排序,看看什么粽子最贵!

1df1 = df.sort_values(by="价格", axis=0, ascending=False) 2df1.iloc[:5,:] 3 4

价格TOP5的粽子

前三名都来自御茶膳房旗舰店,让我们看看1780元的粽子长啥样吧!

想尝尝

数据可视化

本文我们打算用pyecharts进行可视化展示。有同学可能使用的是老版本(0.5X),Pyecharts的1.x版本与老版本(0.5X)不兼容,如果无法导入可能是这个问题哈。

可视化所有语句均基于v1.7.1,通过以下语句可查询你的pyecharts版本:

1import pyecharts 2 3print(pyecharts.__version__) 4 5

具体安装与使用案例可以参考教程:Pyecharts 1.x 教程。

扇形图

最贵的粽子1780元看来是吃不起了,那大家都买什么价位的呢?

先按照淘宝推荐的区间划分一下:

1def price_range(x): #按照淘宝推荐划分价格区间 2    if x <= 22: 3        return '22元以下' 4    elif x <= 115: 5        return '22-115元' 6    elif x <= 633: 7        return '115-633元' 8    else: 9        return '633元以上' 10 11

再使用pyecharts来生成不同价格区间的粽子销量占比图。

不同价格区间的粽子销量占比

看来百元以内的粽子(礼盒装)才是大家的正常承受范围,不过我还是选择小区门口的5块钱3个。

词云图

我们用jieba对爬取得到的商品名称分词,生成词云。

1from pyecharts.charts import WordCloud 2from pyecharts.globals import SymbolType 3 4# 词云图 5word1 = WordCloud(init_opts=opts.InitOpts(width='1350px', height='750px')) 6word1.add("", [*zip(key_words.words, key_words.num)], 7          word_size_range=[20, 200], 8          shape=SymbolType.DIAMOND) 9word1.set_global_opts(title_opts=opts.TitleOpts('粽子商品名称词云图'), 10                      toolbox_opts=opts.ToolboxOpts()) 11word1.render("粽子商品名称词云图.html") 12 13

粽子商品名称词云图

硕大的粽子周围环绕着几个突出的关键词:礼盒装、鲜肉、蛋黄、嘉兴、豆沙、端午节。除去端午节相关的词汇,我们通过关键词大小似乎就知道几种口味的受欢迎情况。

查阅资料对比一下,还真是大体一致。

心疼我枣粽。

至于嘉兴这个地名,我们后文会继续提到。

条形图

上文我们查到了最贵的粽子,那么销量最好的粽子/店铺是什么呢?

安排

粽子商品销量Top10

五芳斋共4款入围,其中一款礼盒装达到了100万+的销量,应该比这个还多(参见微信的10w+)。真真老老紧随其后,3款粽子进入TOP10。其余的品牌还有稻香村和知味观,额,第九名是卖粽叶的,看来自己包粽子的需求也是蛮大的嘛。

粽子店铺销量Top10

粽子店铺销量Top10其实与商品相似,五芳斋官方旗舰店和真真老老旗舰店占据首位,遥遥领先。

经过查阅,五芳斋,真真老老,都为嘉兴的粽子两大品牌,那难怪嘉兴在词云图里那么突出。嘉兴属于浙江省,销量冠亚军都在这里,那浙江岂不是占比很大。

还真是这样:

地图

继续使用pyecharts来生成各省份粽子销量分布图 [2]

1from pyecharts.charts import Map  2 3# 计算销量 4province_num = df.groupby('省份')['销量'].sum().sort_values(ascending=False)  5 6# 绘制地图 7map1 = Map(init_opts=opts.InitOpts(width='1350px', height='750px')) 8map1.add("", [list(z) for z in zip(province_num.index.tolist(), province_num.values.tolist())], 9         maptype='china' 10        )  11map1.set_global_opts(title_opts=opts.TitleOpts(title='各省份粽子销量分布'), 12                     visualmap_opts=opts.VisualMapOpts(max_=300000), 13                     toolbox_opts=opts.ToolboxOpts() 14                    ) 15map1.render("各省份粽子销量分布.html") 16 17

各省份粽子销量分布

这个销量占比差异真的是太大了。

可以说中国粽子看浙江,浙江粽子看嘉兴 [3](通过计算发货地址为浙江的粽子销量占比70.6%,而嘉兴占浙江的87.4%)

纪录片《舌尖上的中国》里的嘉兴粽

小结

粽子自古以来就代表着纪念和美好的祝愿。

而在这个并不安稳的2020,端午的粽子更多了一些祈愿国泰民安,顺利度过阴霾的意义。

“端午安康”不再是一句客套话,而是我们能送给彼此的最好的愿景。

本文数据和爬虫可视化源码下载地址:

https://alltodata.cowtransfer.com/s/d11c8906cd9c4c

参考文章

[1]

数据分析与统计学之美: 《手把手教你爬取淘宝的笔记本电脑数据,指导你如何选购电脑!》

[2]

CDA数据分析师: 《全网谁家热干面销量最高?》

[3]

新农堂: 《你对粽子的力量可能一无所知》

福利时间

端午节就要来了,腾讯云+社区联合凹凸数据给大家送15份腾讯云+社区定制五芳斋粽子礼盒

没错, 五芳斋就是上文中经过我们分析得到的:最受欢迎(销量最好)的粽子品牌。

现在公布赠送规则,一定要按照要求参与才有机会获得!

活动1:扫描上方二维码微信授权登陆并关注我的云+社区主页,截图并扫描文末最后一张二维码上传即可参与,抽出7份

截图示例

活动2:活动1关注后,可以评论我的任意一篇云+社区文章,同活动1,截图上传抽出7份

评论示例

活动3:点亮文末在看并点击下方文字给我留言(不限主题),点赞第一名赠送粽子1份

最后再次感谢腾讯云+社区对本活动的支持,祝各位好运!

注1:为保证粽子能及时送达幸运读者的手中,本次活动截止时间为6.19日20点(明天晚8点)!

注2:以上三个活动可以同时参加,但同一用户只能获得一份礼盒!

注3:本次活动将不再单独发文公布获赠名单,所以请所有参与活动的同学添加小五微信(zpw505)关注最新消息。同时一定要仔细阅读规则参与,谢谢!

活动1、2的截图反馈地址:

扫描上传截图

祝大家好运~

代码交流 2021