Python 爬取淘宝商品数据挖掘分析实战(数据分析与实战,关键词优化)

作者孙方辉

本文为CDA志愿者投稿作品，转载需授权

项目内容

本案例选择>>商品类目：沙发；

数量：共100页 4400个商品；

筛选条件：天猫、销量从高到低、价格500元以上。

项目目的

1.对商品标题进行文本分析词云可视化

2.不同关键词word对应的sales的统计分析

3.商品的价格分布情况分析

4.商品的销量分布情况分析

5.不同价格区间的商品的平均销量分布

6.商品价格对销量的影响分析

7.商品价格对销售额的影响分析

8.不同省份或城市的商品数量分布

9.不同省份的商品平均销量分布

注：本项目仅以以上几项分析为例。

项目步骤

1.数据采集：Python爬取淘宝网商品数据

2.对数据进行清洗和处理

3.文本分析：jieba分词、wordcloud可视化

4.数据柱形图可视化 barh

5.数据直方图可视化 hist

6.数据散点图可视化 scatter

7.数据回归分析可视化 regplot

工具&模块：

工具：本案例代码编辑工具 Anaconda的Spyder

模块：requests、retrying、missingno、jieba、matplotlib、wordcloud、imread、seaborn等。

原代码和相关文档后台回复“淘宝”

一、爬取数据

因淘宝网是反爬虫的，虽然使用多线程、修改headers参数，但仍然不能保证每次100%爬取，所以我增加了循环爬取，每次循环爬取未爬取成功的页直至所有页爬取成功停止。

说明：淘宝商品页为JSON格式这里使用正则表达式进行解析；

代码如下：

二、数据清洗、处理：

(此步骤也可以在Excel中完成再读入数据)

代码如下：

说明：根据需求，本案例中只取了 item_loc, raw_title, view_price, view_sales这4列数据，主要对标题、区域、价格、销量进行分析。

代码如下:

三、数据挖掘与分析：

【1】.对 raw_title列标题进行文本分析：

使用结巴分词器，安装模块pip install jieba

对 title_s（list of list格式）中的每个list的元素（str）进行过滤剔除不需要的词语，即把停用词表stopwords中有的词语都剔除掉：

因为下面要统计每个词语的个数，所以为了准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，即每个标题被分割后的词语唯一。

观察 word_count表中的词语，发现jieba默认的词典无法满足需求：

有的词语（如可拆洗、不可拆洗等）却被cut，这里根据需求对词典加入新词（也可以直接在词典dict.txt里面增删，然后载入修改过的dict.txt）

词云可视化：

安装模块 wordcloud：

方法1： pip install wordcloud

方法2：下载Packages安装：pip install软件包名称

软件包下载地址：https://lfd.uci.edu/~gohlke/pythonlibs/#wordcloud

注意：要把下载的软件包放在Python安装路径下。

代码如下：

分析结论：

1.组合、整装商品占比很高；

2.从沙发材质看：布艺沙发占比很高，比皮艺沙发多；

3.从沙发风格看：简约风格最多，北欧风次之，其他风格排名依次是美式、中式、日式、法式等；

4.从户型看：小户型占比最高、大小户型次之，大户型最少。

（说明：例如词语 ‘简约’，则统计商品标题中含有‘简约’一词的商品的销量之和，即求出具有‘简约’风格的商品销量之和）

代码如下：

对表df_word_sum中的 word和 w_s_sum两列数据进行可视化

（本例中取销量排名前30的词语进行绘图）

由图表可知：

1.组合商品销量最高 ；

2.从品类看：布艺沙发销量很高，远超过皮艺沙发；

3.从户型看：小户型沙发销量最高，大小户型次之，大户型销量最少；

4.从风格看：简约风销量最高，北欧风次之，其他依次是中式、美式、日式等；

5.可拆洗、转角类沙发销量可观，也是颇受消费者青睐的。

【3】.商品的价格分布情况分析：

分析发现，有一些值太大，为了使可视化效果更加直观，这里我们结合自身产品情况，选择价格小于20000的商品。

代码如下：

由图表可知：

1.商品数量随着价格总体呈现下降阶梯形势，价格越高，在售的商品越少；

2.低价位商品居多，价格在500-1500之间的商品最多，1500-3000之间的次之，价格1万以上的商品较少；

3.价格1万元以上的商品，在售商品数量差异不大。

【4】.商品的销量分布情况分析：

同样，为了使可视化效果更加直观，这里我们选择销量大于100的商品。

代码如下：

由图表及数据可知：

1.销量100以上的商品仅占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下降趋势，且趋势陡峭，低销量商品居多；

3.销量500以上的商品很少。

【5】.不同价格区间的商品的平均销量分布：

代码如下：

由图表可知：

1.价格在1331-1680之间的商品平均销量最高，951-1331之间的次之，9684元以上的最低；

2.总体呈现先增后减的趋势，但最高峰处于相对低价位阶段；

3.说明广大消费者对购买沙发的需求更多处于低价位阶段，在1680元以上价位越高平均销量基本是越少。

【6】.商品价格对销量的影响分析：

同上，为了使可视化效果更加直观，这里我们结合自身产品情况，选择价格小于20000的商品。

代码如下：

由图表可知：

1.总体趋势：随着商品价格增多其销量减少，商品价格对其销量影响很大；

2.价格500-2500之间的少数商品销量冲的很高，价格2500-5000之间的商品多数销量偏低，少数相对较高，但价格5000以上的商品销量均很低没有销量突出的商品。

【7】.商品价格对销售额的影响分析：

代码如下：

由图表可知：

1.总体趋势：由线性回归拟合线可以看出，商品销售额随着价格增长呈现上升趋势；

2.多数商品的价格偏低，销售额也偏低；

3.价格在0-20000的商品只有少数销售额较高，价格2万-6万的商品只有3个销售额较高，价格6-10万的商品有1个销售额很高，而且是最大值。

【8】.不同省份的商品数量分布：

代码如下：

由图表可知：

1.广东的最多，上海次之，江苏第三，尤其是广东的数量远超过江苏、浙江、上海等地，说明在沙发这个子类目，广东的店铺占主导地位；

2.江浙沪等地的数量差异不大，基本相当。

【9】.不同省份的商品平均销量分布：

代码如下：

热力型地图

作者后记

孙方辉从事数据分析工作，热爱数据统计与挖掘分析，本文献给学习Python的朋友们，欢迎大佬们的指点！