來(lái)源：Python爬蟲與數(shù)據(jù)挖掘

作者： Python進(jìn)階者

大家好，我是Python進(jìn)階者。

一、前言

大家好，我是Python進(jìn)階者，上個(gè)禮拜的時(shí)候，我的Python交流群里有個(gè)名叫程序的大佬，頭像是綠色菜狗的那位，在Python交流群里邊的人應(yīng)該都知道我說(shuō)的是哪個(gè)大佬了，他提供了一份初始淘寶數(shù)據(jù)，數(shù)據(jù)乍看上去非常雜亂無(wú)章，但是經(jīng)過(guò)小小明大佬的神化處理之后，一秒就變清晰了，真是太神了，然后就有了后續(xù)的數(shù)據(jù)分詞處理和可視化等內(nèi)容了，可能群里的人平時(shí)工作太忙，沒(méi)有來(lái)得及看群消息，作為熱心的群主，這里給大家整理成一篇文章，感興趣的小伙伴，可以去實(shí)操一下，還是可以學(xué)到很多東西的。言歸正傳，一起來(lái)學(xué)習(xí)下今天的數(shù)據(jù)分析內(nèi)容吧。

二、原始數(shù)據(jù)預(yù)處理

1、原始數(shù)據(jù)

在未經(jīng)過(guò)處理之前的數(shù)據(jù)，長(zhǎng)這樣，大家可以看看，全部存儲(chǔ)在一個(gè)單元格里邊了，看得十分的讓人難受。如下圖所示。

按照常規(guī)來(lái)說(shuō)，針對(duì)上面的數(shù)據(jù)，我們肯定會(huì)選擇Excel里邊的數(shù)據(jù)分列進(jìn)行處理，然后依次的去根據(jù)空格、冒號(hào)去分割，這樣可以得到一份較為清晰的數(shù)據(jù)表，誠(chéng)然，這種方法確實(shí)可行，但是小小明大佬另辟蹊徑，給大家用Python中的正則表達(dá)式來(lái)處理這個(gè)數(shù)據(jù)，處理方法如下。

2、原始數(shù)據(jù)預(yù)處理

小小明大佬直接使用正則表達(dá)式re模塊和pandas模塊進(jìn)行處理，方法可謂巧妙，一擊即中，數(shù)據(jù)處理代碼如下。

import re import pandas as pd
result = [] with open(r"淘寶數(shù)據(jù).csv") as f: for line in f:
        row = dict(re.findall("([^：t]+)：([^：t]+)", line)) if row:
            result.append(row)
df = pd.DataFrame(result)
df.to_excel('new_data.xlsx', encoding='utf-8')
print(df)

之后我們可以看到效果圖，如下圖所示，這下是不是感覺(jué)到清爽了很多呢？

至此，我們對(duì)原始的數(shù)據(jù)進(jìn)行了預(yù)處理，但是這還不夠，我們今天主要的目標(biāo)是對(duì)上面數(shù)據(jù)中的兩列：配料表和保質(zhì)期進(jìn)行數(shù)據(jù)分析，接下來(lái)繼續(xù)我們的數(shù)據(jù)處理和分析。

三、對(duì)配料表和保質(zhì)期列進(jìn)行處理

一開始的時(shí)候，程序大佬對(duì)配料表和保質(zhì)期這兩列的數(shù)據(jù)進(jìn)行處理，但是來(lái)回得到的分詞中總有一些特殊字符，如下圖所示，我們可以看到這些字符里邊有%、頓號(hào)、空格等內(nèi)容。

我們都知道，這些是我們不需要的字符，當(dāng)時(shí)我們?cè)谌豪镉懻摰臅r(shí)候，我們就想到使用停用詞去針對(duì)這些擾人的字符進(jìn)行處理，代碼如下。

# 創(chuàng)建停用詞list def stopwordslist(filepath): stopwords = [line.strip() for line in open(filepath, 'r', encoding='gbk').readlines()] return stopwords # 對(duì)句子進(jìn)行分詞 def seg_sentence(sentence): sentence_seged = jieba.cut(sentence.strip())
    stopwords = stopwordslist('stop_word.txt') # 這里加載停用詞的路徑 outstr = '' for word in sentence_seged: if word not in stopwords: if word != 't':
                outstr += word
                outstr += " " return outstr

其中stop_word.txt是小編之前在網(wǎng)上找到的一個(gè)存放一些常用特殊字符的txt文件，這個(gè)文件內(nèi)容可以看看下圖。

如上圖所示，大概有1894個(gè)詞左右，其實(shí)在做詞頻分析的時(shí)候，使用停用詞去除特殊字符是經(jīng)常會(huì)用到的，感興趣的小伙伴可以收藏下，也許后面你會(huì)用到呢？代碼和數(shù)據(jù)我統(tǒng)一放到文末了，記得去取就行。經(jīng)過(guò)這一輪的數(shù)據(jù)處理之后，我們得到的數(shù)據(jù)就基本上沒(méi)有太多雜亂的字符了，如下圖所示。

得到這些數(shù)據(jù)之后，接下來(lái)我們需要對(duì)這些詞語(yǔ)做一些詞頻統(tǒng)計(jì)，并且對(duì)其進(jìn)行可視化。如果還有想法的話，也可以直接套用詞云模板，生成漂亮的詞云圖，也未嘗不可。

四、詞頻統(tǒng)計(jì)

關(guān)于詞頻統(tǒng)計(jì)這塊，小編這里介紹兩種方法，兩個(gè)代碼都是可以用的，條條大路通羅馬，一起來(lái)看看吧！

方法一：常規(guī)處理

這里使用的是常規(guī)處理的方法，代碼親測(cè)可用，只需要將代碼中的1.txt進(jìn)行替換成你自己的那個(gè)需要分詞統(tǒng)計(jì)的文檔即可，然后系統(tǒng)會(huì)自動(dòng)給你生成一個(gè)Excel表格和一個(gè)TXT文件，內(nèi)容都是一樣的，只不過(guò)一個(gè)是表格，一個(gè)是文本。

#!/usr/bin/env python3 # -*- coding:utf-8 -*- import sys import jieba import jieba.analyse import xlwt # 寫入Excel表的庫(kù) # reload(sys) # sys.setdefaultencoding('utf-8') if __name__ == "__main__":


    wbk = xlwt.Workbook(encoding='ascii')
    sheet = wbk.add_sheet("wordCount") # Excel單元格名字 word_lst = []
    key_list = [] for line in open('1.txt', encoding='utf-8'): # 1.txt是需要分詞統(tǒng)計(jì)的文檔 item = line.strip('nr').split('t') # 制表格切分 # print item tags = jieba.analyse.extract_tags(item[0]) # jieba分詞 for t in tags:
            word_lst.append(t)


    word_dict = {} with open("wordCount_all_lyrics.txt", 'w') as wf2: # 打開文件 for item in word_lst: if item not in word_dict: # 統(tǒng)計(jì)數(shù)量 word_dict[item] = 1 else:
                word_dict[item] += 1 orderList = list(word_dict.values())
        orderList.sort(reverse=True) # print orderList for i in range(len(orderList)): for key in word_dict: if word_dict[key] == orderList[i]:
                    wf2.write(key + ' ' + str(word_dict[key]) + 'n') # 寫入txt文檔 key_list.append(key)
                    word_dict[key] = 0 for i in range(len(key_list)):
        sheet.write(i, 1, label=orderList[i])
        sheet.write(i, 0, label=key_list[i])
    wbk.save('wordCount_all_lyrics.xls') # 保存為 wordCount.xls文件

方法二：使用Pandas優(yōu)化處理

這里使用Pandas方法進(jìn)行處理，代碼如下，小編也是親測(cè)有效，小伙伴們也可以去嘗試下。

def get_data(df): # 將食品添加劑這一列空的數(shù)據(jù)設(shè)置為無(wú) # print(df) df.loc[:,'食品添加劑'] = df['食品添加劑'].fillna('無(wú)')
    df.loc[:,'保質(zhì)期'] = df['保質(zhì)期'].fillna('無(wú)')
    df.loc[:, '配料表'] = df['配料表'].fillna('無(wú)') #  分詞并擴(kuò)展提取 names = df.配料表.apply(jieba.lcut).explode() #  過(guò)濾長(zhǎng)度小于等于1的詞并去重 df1 = names[names.apply(len) > 1].value_counts() with pd.ExcelWriter("taobao.xlsx") as writer:
        df1.to_excel(writer, sheet_name='配料')


    df2 = pd.read_excel('taobao.xlsx', header=None, skiprows=1, names=['column1', 'column2'])
    print(df2)

上面兩個(gè)代碼都是可以用的，最后得到的表格數(shù)據(jù)，如下圖所示。

從上圖我們可以看到配料表里邊的配料占比詳情，有了上述的數(shù)據(jù)之后，接下來(lái)我們就可以對(duì)其進(jìn)行可視化操作了。關(guān)于可視化的內(nèi)容，小編也給大家已經(jīng)準(zhǔn)備好了，等待下一篇原創(chuàng)文章，給大家輸出，敬請(qǐng)期待。

五、總結(jié)

大家好，我是Python進(jìn)階者。本文寫到這里，基本上就告一段落了。本文基于一份雜亂的淘寶原始數(shù)據(jù)，利用正則表達(dá)式re庫(kù)和Pandas數(shù)據(jù)處理對(duì)數(shù)據(jù)進(jìn)行清洗，然后通過(guò)stop_word停用詞對(duì)得到的文本進(jìn)行分詞處理，得到較為”干凈“的數(shù)據(jù)，之后利用傳統(tǒng)方法和Pandas優(yōu)化處理兩種方式對(duì)數(shù)據(jù)進(jìn)行詞頻統(tǒng)計(jì)，針對(duì)得到的數(shù)據(jù)，下一步將利用Pyecharts庫(kù)，進(jìn)行多重可視化處理，包括但不限于餅圖、柱狀圖、Table表、漏斗圖、極化圖等，通過(guò)一系列的改進(jìn)和優(yōu)化，一步步達(dá)到想要的效果，可以說(shuō)是干貨滿滿，實(shí)操性強(qiáng)，親測(cè)有效。