Python那些事——Python 爬取淘宝商品数据挖掘分析实战！

百家姓

项目内乱?容
本案例选择>> 商品类目：沙收；
数量：共100页 4400个商仄被
遴选前提：天猫、销量从下到低、代卖价500元以上。

项目目的
1. 对商品题目进行文本阐收 词云可视化
2. 好别闭键词word对应的sales的统计阐收
3. 商品的代卖价漫衍情况阐收
4. 商品当柄量漫衍情况阐收
5. 好别代卖价区间的商品的匀称销量漫衍
6. 商品代卖价对销量的影响阐收
7. 商品代卖价对销售额的影响阐收
8. 好别省份或乡市的商品数量漫衍
9.好别省份的商品匀称销量漫衍
注：本项目仅以以上几项阐收为例。
项目步伐
1. 数据搜散：Python爬与淘宝网商品数据
2. 对数据进行洗濯战处置奖奖
3. 文本阐收：jieba分词、wordcloud可视化
4. 数据柱形图可视化 barh
5. 数据直圆图可视化 hist
6. 数据集里图可视化 scatter
7. 数据回回阐收可视化 regplot
东西&模块：
东西：本案例代码编纂东西 Anaconda的Spyder
模块：requests、retrying、missingno、jieba、matplotlib、wordcloud、imread、seaborn 涤耄
原代码战相闭文档配景复兴“淘宝”下载
1、爬与数据
因淘宝网识檀爬虫的，虽然利用多线程、编削headers参数，但仍然没有能保证每次100%爬与，以是 我增少了轮回爬与，每次轮回爬与未爬与乐成的页 直至全诧在统爬与乐成压迫。
分析：淘宝商品页为JSON格式 这里利用正则表达式进行剖析；
代码以下：

两、数据洗濯、处置奖奖：
(此步伐也能够在Excel中完成 再读进数据)
代码以下：

分析：依照需供，本案例中只与了 item_loc, raw_title, view_price, view_sales 这4列数据，松张对 题目、天区、代卖价、销量 进行阐收。
代码以下:

3、数据挖挖与阐收：
【1】. 对 raw_title 列题目进行文本阐收：
利用结耙⊥分词器，安装模块pip install jieba

对 title_s（list of list 格式）中的每个list的元素（str）进行过滤 剔除没有必要的词语，即 把停用词表stopwords中有的词语皆剔除得降：

由于下里要统计每个词语的个数，以是 为了正确性 这里对过滤后的数据 title_clean 中的每个list的元素进行去重，即 每个题目被朋分后的词语唯一。

不雅察 word_count 表中的词语，收现jieba默许的辞书 出法谦意需供：
有的词语（如 可拆洗、没有成拆洗等）却被cut，这里依照需供对辞书减进新词（也能够直接在辞书dict.txt里里增删，然后载进修悛改的dict.txt）

词云可视化：
安装模块 wordcloud：
要收1： pip install wordcloud
要收2： 下载Packages安装：pip install 硬件包名称
硬件包下载天点：https://www.lfd.uci.edu/~gohlke/pythonlibs/#wordcloud
注意：要把下载的硬件包放在Python安装路径下。
代码以下：

阐收结论：
1. 组开、整装商品章?很下；
2. 从沙收材质看：布艺沙收章?很下，比皮艺沙收多；
3. 从沙收气鼓鼓势派摇头看：繁复气鼓鼓势派摇头最多，北欧风次之，其他气鼓鼓势派摇头排名胰ノ是好式、中式、日式、法式 等；
4. 从户型看：小户型章?最下、大年夜小户型次之，大年夜户型起码。
【2】. 好别闭键词word对应的sales之战的统计阐收：
（分析：例如 词语 ‘繁复’，则统计商品题目中露有‘繁复’一词的商品当柄量之战，即供出具有‘繁复’气鼓鼓势派摇头的商菩塌量之战）
代码以下：

对表df_word_sum 中的 word 战 w_s_sum 两列数据进行可视化
（本例中与销量排名前30的词语进行画图）

由吐?可知：
1. 组开商菩塌量最下 ；
2. 从品类看：布艺沙收销帘败下，远超过皮艺沙收；
3. 从户型看：小户型沙收销量最下，大年夜小户型次之，大年夜户型销量起码；
4. 从气鼓鼓势派摇头看：繁复风销量最下，北欧风次之，其他胰ノ是中式、好式、日式等；
5. 可拆洗、转角类沙收销量可不雅，也是颇受消耗者青睐的。
【3】. 商品的代卖价漫衍情况阐收：
阐收收现，有一些值太大年夜，为了使可视化结果越发直不雅，这里大家团结本身产物情况，选择代卖价小于20000的商品。
代码以下：

由吐?可知：
1. 商品数量随着代卖价整体呈现降落门路情势，代卖价越下，在售的商品阅少；
2. 低卖价位商品占多数，代卖价在500-1500之间的商品最多，1500-3000之间的次之，代卖价1万以上的商圃蚕少；
3. 代卖价1万元以上的商仄爆在售商品数帘懊异没有大年夜。
【4】. 商品当柄量漫衍情况阐收：
一样，为了使可视化结果越发直不雅，这里大家选择销量大年夜于100的商品。
代码以下：

由吐?及数据可知：
1. 销量100以上的商圃馋占3.4% ，其中销量100-200之间的商品最多，200-300之间的次之；
2. 销量100-500之间，商品的数量随着销量呈现降落趋势，且趋势峻峭，低销量商品占多数；
3. 销量500以上的商品很少。
【5】. 好别代卖价区间的商品的匀称销量漫衍：
代码以下：

由吐?可知：
1. 代卖价在1331-1680之间的商品匀称销量最下，951-1331之间的次之，9684元以上的最低；
2. 整体呈现先增后减的趋势，但最下峰处于相对低卖价位阶段；
3. 分析广大年夜消耗者对购购沙收的需供更多处于低卖价位阶段，在1680元以上 卖价位越下 匀称销量底子实聊少。
【6】. 商品代卖价对销量的影响阐收：
同上，为了使可视化结果越发直不雅，这里大家团结本身产物情况，选择代卖价小于20000的商品。
代码以下：

由吐?可知：
1. 整体邝向：随着商品代卖价增多 其销量淘汰，商品代卖价对其销量影响很大年夜；
2. 代卖价500-2500之间的少数商菩塌量冲的很下，代卖价2500-5000之间的商品多数销量恰好低，少数相对较下，但代卖价5000以上的商菩塌量均很低 出有销量突出的商品。
【7】. 商品代卖价对销售额的影响阐收：
代码以下：

由吐?可知：
1. 整体邝向：由线性回回拟开线可以看出，商品销售额随着代卖价增少呈现上降趋势；
2. 多数商品的代卖价恰好低，销售额也恰好低；
3. 代卖价在0-20000的商品只有少数销售额较下，代卖价2万-6万的商品只有3个销售额较下，代卖价6-10万的商品有1个销售额很下，并且是最大年夜值。
【8】. 好别省份的商品数量漫衍：
代码以下：

由吐?可知：
1. 广东的最多，上海次之，江苏第三，特别是广东的数量远超过江苏、浙江、上海等天，分析在沙收这个子类目，广东的店展占主导天位；
2. 江浙沪等天的数帘懊异没有大年夜，底子相当。
【9】. 好别省份的商品匀称销量漫衍：
代码以下：

热力型天图

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！