Python 爬取淘寶商品數(shù)據(jù)挖掘分析實(shí)戰(zhàn)

項(xiàng)目?jī)?nèi)容

本案例選擇>> 商品類目：沙發(fā)；

數(shù)量：共100頁(yè)  4400個(gè)商品；

篩選條件：天貓、銷量從高到低、價(jià)格500元以上。

項(xiàng)目目的

1. 對(duì)商品標(biāo)題進(jìn)行文本分析 詞云可視化

2. 不同關(guān)鍵詞word對(duì)應(yīng)的sales的統(tǒng)計(jì)分析

3. 商品的價(jià)格分布情況分析

4. 商品的銷量分布情況分析

5. 不同價(jià)格區(qū)間的商品的平均銷量分布

6. 商品價(jià)格對(duì)銷量的影響分析

7. 商品價(jià)格對(duì)銷售額的影響分析

8. 不同省份或城市的商品數(shù)量分布

9.不同省份的商品平均銷量分布

注：本項(xiàng)目?jī)H以以上幾項(xiàng)分析為例。

項(xiàng)目步驟

1. 數(shù)據(jù)采集：Python爬取淘寶網(wǎng)商品數(shù)據(jù)

2. 對(duì)數(shù)據(jù)進(jìn)行清洗和處理

3. 文本分析：jieba分詞、wordcloud可視化

4. 數(shù)據(jù)柱形圖可視化 barh

5. 數(shù)據(jù)直方圖可視化 hist

6. 數(shù)據(jù)散點(diǎn)圖可視化 scatter

7. 數(shù)據(jù)回歸分析可視化 regplot

工具&模塊：

工具：本案例代碼編輯工具 Anaconda的Spyder

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

原代碼和相關(guān)文檔后臺(tái)回復(fù)“淘寶”下載

一、爬取數(shù)據(jù)

因淘寶網(wǎng)是反爬蟲(chóng)的，雖然使用多線程、修改headers參數(shù)，但仍然不能保證每次100%爬取，所以 我增加了循環(huán)爬取，每次循環(huán)爬取未爬取成功的頁(yè) 直至所有頁(yè)爬取成功停止。

說(shuō)明：淘寶商品頁(yè)為JSON格式 這里使用正則表達(dá)式進(jìn)行解析；

代碼如下：

二、數(shù)據(jù)清洗、處理：

(此步驟也可以在Excel中完成 再讀入數(shù)據(jù))

代碼如下：

說(shuō)明：根據(jù)需求，本案例中只取了 item_loc, raw_title, view_price, view_sales 這4列數(shù)據(jù)，主要對(duì) 標(biāo)題、區(qū)域、價(jià)格、銷量 進(jìn)行分析。

代碼如下:

三、數(shù)據(jù)挖掘與分析：

【1】. 對(duì) raw_title 列標(biāo)題進(jìn)行文本分析：

使用結(jié)巴分詞器，安裝模塊pip install jieba

對(duì) title_s（list of list 格式）中的每個(gè)list的元素（str）進(jìn)行過(guò)濾 剔除不需要的詞語(yǔ)，即 把停用詞表stopwords中有的詞語(yǔ)都剔除掉：

因?yàn)橄旅嬉y(tǒng)計(jì)每個(gè)詞語(yǔ)的個(gè)數(shù)，所以 為了準(zhǔn)確性 這里對(duì)過(guò)濾后的數(shù)據(jù) title_clean 中的每個(gè)list的元素進(jìn)行去重，即 每個(gè)標(biāo)題被分割后的詞語(yǔ)唯一。

觀察 word_count 表中的詞語(yǔ)，發(fā)現(xiàn)jieba默認(rèn)的詞典 無(wú)法滿足需求：

有的詞語(yǔ)（如 可拆洗、不可拆洗等）卻被cut，這里根據(jù)需求對(duì)詞典加入新詞（也可以直接在詞典dict.txt里面增刪，然后載入修改過(guò)的dict.txt）

詞云可視化：

安裝模塊 wordcloud：

方法1： pip install wordcloud

方法2： 下載Packages安裝：pip install 軟件包名稱

軟件包下載地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/#wordcloud

注意：要把下載的軟件包放在Python安裝路徑下。

代碼如下：

分析結(jié)論：

1. 組合、整裝商品占比很高；

2. 從沙發(fā)材質(zhì)看：布藝沙發(fā)占比很高，比皮藝沙發(fā)多；

3. 從沙發(fā)風(fēng)格看：簡(jiǎn)約風(fēng)格最多，北歐風(fēng)次之，其他風(fēng)格排名依次是美式、中式、日式、法式 等；

4. 從戶型看：小戶型占比最高、大小戶型次之，大戶型最少。

【2】. 不同關(guān)鍵詞word對(duì)應(yīng)的sales之和的統(tǒng)計(jì)分析：

（說(shuō)明：例如 詞語(yǔ) ‘簡(jiǎn)約’，則統(tǒng)計(jì)商品標(biāo)題中含有‘簡(jiǎn)約’一詞的商品的銷量之和，即求出具有‘簡(jiǎn)約’風(fēng)格的商品銷量之和）

代碼如下：

對(duì)表df_word_sum 中的 word 和 w_s_sum 兩列數(shù)據(jù)進(jìn)行可視化

（本例中取銷量排名前30的詞語(yǔ)進(jìn)行繪圖）

由圖表可知：

1. 組合商品銷量最高 ；

2. 從品類看：布藝沙發(fā)銷量很高，遠(yuǎn)超過(guò)皮藝沙發(fā)；

3. 從戶型看：小戶型沙發(fā)銷量最高，大小戶型次之，大戶型銷量最少；

4. 從風(fēng)格看：簡(jiǎn)約風(fēng)銷量最高，北歐風(fēng)次之，其他依次是中式、美式、日式等；

5. 可拆洗、轉(zhuǎn)角類沙發(fā)銷量可觀，也是頗受消費(fèi)者青睞的。

【3】. 商品的價(jià)格分布情況分析：

分析發(fā)現(xiàn)，有一些值太大，為了使可視化效果更加直觀，這里我們結(jié)合自身產(chǎn)品情況，選擇價(jià)格小于20000的商品。

代碼如下：

由圖表可知：

1. 商品數(shù)量隨著價(jià)格總體呈現(xiàn)下降階梯形勢(shì)，價(jià)格越高，在售的商品越少；

2. 低價(jià)位商品居多，價(jià)格在500-1500之間的商品最多，1500-3000之間的次之，價(jià)格1萬(wàn)以上的商品較少；

3. 價(jià)格1萬(wàn)元以上的商品，在售商品數(shù)量差異不大。

【4】. 商品的銷量分布情況分析：  

同樣，為了使可視化效果更加直觀，這里我們選擇銷量大于100的商品。

代碼如下：

由圖表及數(shù)據(jù)可知：

1. 銷量100以上的商品僅占3.4% ，其中銷量100-200之間的商品最多，200-300之間的次之；

2. 銷量100-500之間，商品的數(shù)量隨著銷量呈現(xiàn)下降趨勢(shì)，且趨勢(shì)陡峭，低銷量商品居多；

3. 銷量500以上的商品很少。

【5】. 不同價(jià)格區(qū)間的商品的平均銷量分布：

代碼如下：

由圖表可知：

1. 價(jià)格在1331-1680之間的商品平均銷量最高，951-1331之間的次之，9684元以上的最低；

2. 總體呈現(xiàn)先增后減的趨勢(shì)，但最高峰處于相對(duì)低價(jià)位階段；

3. 說(shuō)明廣大消費(fèi)者對(duì)購(gòu)買沙發(fā)的需求更多處于低價(jià)位階段，在1680元以上 價(jià)位越高 平均銷量基本是越少。

【6】. 商品價(jià)格對(duì)銷量的影響分析：

同上，為了使可視化效果更加直觀，這里我們結(jié)合自身產(chǎn)品情況，選擇價(jià)格小于20000的商品。

代碼如下：

由圖表可知：

1. 總體趨勢(shì)：隨著商品價(jià)格增多 其銷量減少，商品價(jià)格對(duì)其銷量影響很大；

2. 價(jià)格500-2500之間的少數(shù)商品銷量沖的很高，價(jià)格2500-5000之間的商品多數(shù)銷量偏低，少數(shù)相對(duì)較高，但價(jià)格5000以上的商品銷量均很低 沒(méi)有銷量突出的商品。

【7】. 商品價(jià)格對(duì)銷售額的影響分析：

代碼如下：

由圖表可知：

1. 總體趨勢(shì)：由線性回歸擬合線可以看出，商品銷售額隨著價(jià)格增長(zhǎng)呈現(xiàn)上升趨勢(shì)；

2. 多數(shù)商品的價(jià)格偏低，銷售額也偏低；

3. 價(jià)格在0-20000的商品只有少數(shù)銷售額較高，價(jià)格2萬(wàn)-6萬(wàn)的商品只有3個(gè)銷售額較高，價(jià)格6-10萬(wàn)的商品有1個(gè)銷售額很高，而且是最大值。

【8】. 不同省份的商品數(shù)量分布：

代碼如下：

由圖表可知：

1. 廣東的最多，上海次之，江蘇第三，尤其是廣東的數(shù)量遠(yuǎn)超過(guò)江蘇、浙江、上海等地，說(shuō)明在沙發(fā)這個(gè)子類目，廣東的店鋪占主導(dǎo)地位；

2. 江浙滬等地的數(shù)量差異不大，基本相當(dāng)。

【9】. 不同省份的商品平均銷量分布：

代碼如下：

熱力型地圖

作者后記

孫方輝   從事數(shù)據(jù)分析工作，熱愛(ài)數(shù)據(jù)統(tǒng)計(jì)與挖掘分析，本文獻(xiàn)給學(xué)習(xí)Python的朋友們，歡迎大佬們的指點(diǎn)！