Python 爬取淘宝商品数据挖掘分析实战
导读:本文共3718字符,通常情况下阅读需要12分钟。同时您也可以点击右侧朗读,来听本文内容。按键盘←(左) →(右) 方向键可以翻页。
摘要: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... ...
目录
(为您整理了一些要点),点击可以直达。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!
Python 爬取淘宝商品数据挖掘分析实战的详细内容,希望对您有所帮助,信息来源于网络。