本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

以下文章附带菜J学Python ，作者J哥

刚接触Python的新手、小白，可以复制下面的链接去免费观看Python的基础入门教学视频

https://v.douyu.com/author/y6AZ4jn9jwKW

前言

前就在上，广深的朋友估计还穿着短袖羡慕着北方的下雪气氛。结果就在上周，广深也迎来了降温，大家纷纷加入“降温群聊”。

为了帮助大家抵抗御严寒，我特地爬了下京东的羽绒服数据。为啥不是天猫呢，理由很简单，滑块验证有点麻烦。

数据获取

京东网站是一个ajax动态加载的网站，只能通过解析接口或使用硒自动化测试工具去爬取。关于动态网页爬虫，本公众号历史原创文章介绍过，感兴趣的朋友可以去了解一下。

本次数据获取采用硒，由于我的谷歌浏览器版本更新较快，导致原来的谷歌驱动程序中断。于是，我替换了浏览器自动更新，并下载了对应版本的驱动。

接着，利用硒在京东网搜索羽绒服，手机扫码登录，获得了羽绒服的商品名称，商品价格，店铺名称，评论人数等信息。

from selenium importwebdriverfrom selenium.webdriver.support importexpected_conditions as ECfrom selenium.webdriver.common.by importByfrom selenium.webdriver.support.ui importWebDriverWaitfrom lxml importetreeimportrandomimportjsonimportcsvimporttime

browser= webdriver.Chrome('/菜J学Python/京东/chromedriver')

wait=WebDriverWait(browser,50) #设置等待时间

url = 'https://www.jd.com/'data_list= [] #设置全局变量用来存储数据

keyword ="羽绒服"#关键词

defpage_click(page_number):try:#滑动到底部

browser.execute_script("window.scrollTo(0, document.body.scrollHeight);")

time.sleep(random.randint(1, 3)) #随机延迟

button =wait.until(

EC.element_to_be_clickable((By.CSS_SELECTOR,'#J_bottomPage > span.p-num > a.pn-next > em'))

)#翻页按钮

button.click()#点击按钮

wait.until(

EC.presence_of_all_elements_located((By.CSS_SELECTOR,"#J_goodsList > ul > li:nth-child(30)"))

)#等到30个商品都加载出来

#滑到底部，加载出后30个商品

browser.execute_script("window.scrollTo(0, document.body.scrollHeight);")

wait.until(

EC.presence_of_all_elements_located((By.CSS_SELECTOR,"#J_goodsList > ul > li:nth-child(60)"))

)#等到60个商品都加载出来

wait.until(

EC.text_to_be_present_in_element((By.CSS_SELECTOR,"#J_bottomPage > span.p-num > a.curr"), str(page_number))

)#判断翻页成功,高亮的按钮数字与设置的页码一样

html = browser.page_source#获取网页信息

prase_html(html)#调用提取数据的函数

exceptTimeoutError:return page_click(page_number)

数据清洗

导入数据

importpandas as pdimportnumpy as np

df= pd.read_csv("/菜J学Python/京东/羽绒服.csv")

df.sample(10)

重命名列

df = df.rename(columns={'title':'商品名称','price':'商品价格','shop_name':'店铺名称','comment':'评论人数'})

查看数据信息

df.info()'''1.可能存在重复值

2.商店名称存在缺失值

3.评价人数需要清洗'''

RangeIndex:4950 entries, 0 to 4949Data columns (total4columns):#Column Non-Null Count Dtype

--- ------ -------------- -----0 商品名称4950 non-null object1 商品价格 4950 non-null float642 店铺名称 4949 non-null object3 评论人数 4950 non-null object

dtypes: float64(1), object(3)

memory usage:154.8+ KB

删除重复数据

df = df.drop_duplicates()

缺失值处理

df["店铺名称"] = df["店铺名称"].fillna("无名氏")

商品名称清洗

厚度

tmp=[]for i in df["商品名称"]:if"厚"ini:

tmp.append("厚款")elif"薄"ini:

tmp.append("薄款")else:

tmp.append("其他")

df['厚度'] = tmp

版型

for i in df["商品名称"]:if"修身"ini:

tmp.append("修身型")elif"宽松"ini:

tmp.append("宽松型")else:

tmp.append("其他")

df['版型'] = tmp

风格

tmp=[]for i in df["商品名称"]:if"韩"ini:

tmp.append("韩版")elif"商务"ini:

tmp.append("商务风")elif"休闲"ini:

tmp.append("休闲风")elif"简约"ini:

tmp.append("简约风")else:

tmp.append("其他")

df['风格'] = tmp

商品价格清洗

df["价格区间"] = pd.cut(df["商品价格"],[0, 100,300, 500, 700, 1000,1000000],labels=['100元以下','100元-300元','300元-500元','500元-700元','700元-1000元','1000元以上'],right=False)

评价人数清洗

importre

df['数字'] = [re.findall(r'(\d+\.{0,1}\d*)', i)[0] for i in df['评论人数']] #提取数字

df['数字'] = df['数字'].astype('float') #转化数值型

df['单位'] = [''.join(re.findall(r'(万)', i)) for i in df['评论人数']] #提取单位(万)

df['单位'] = df['单位'].apply(lambda x:10000if x=='万'else1)

df['评论人数'] = df['数字'] * df['单位'] #计算评论人数

df['评论人数'] = df['评论人数'].astype("int")

df.drop(['数字', '单位'], axis=1, inplace=True)

店铺名称清洗

df["店铺类型"] = df["店铺名称"].str[-3:]

可视化

引入可视化相关库

importmatplotlib.pyplot as pltimportseaborn as sns%matplotlib inline

plt.rcParams['font.sans-serif'] = ['SimHei'] #设置加载的字体名

plt.rcParams['axes.unicode_minus'] = False#解决保存图像是负号'-'显示为方块的问题

importjiebaimportrefrom pyecharts.charts import *

from pyecharts importoptions as optsfrom pyecharts.globals importThemeTypeimportstylecloudfrom IPython.display import Image

描述性统计

相关性分析

商品价格分布直方图

sns.set_style('white')

fig,axes=plt.subplots(figsize=(15,8))

sns.distplot(df["商品价格"],color="salmon",bins=10)

plt.xticks(fontsize=16)

plt.yticks(fontsize=16)

axes.set_title("商品价格分布直方图")

评论人数分布直方图

sns.set_style('white')

fig,axes=plt.subplots(figsize=(15,8))

sns.distplot(df["评论人数"],color="green",bins=10,rug=True)

plt.xticks(fontsize=16)

plt.yticks(fontsize=16)

axes.set_title("评论人数分布直方图")

评论人数与商品价格的关系

fig,axes=plt.subplots(figsize=(15,8))

sns.regplot(x='评论人数',y='商品价格',data=df,color='orange',marker='*')

plt.xticks(fontsize=16)

plt.yticks(fontsize=16)

羽绒服价格分布

df2 = df["价格区间"].astype("str").value_counts()print(df2)

df2= df2.sort_values(ascending=False)

regions=df2.index.to_list()

values=df2.to_list()

c=(

Pie(init_opts=opts.InitOpts(theme=ThemeType.DARK))

.add("", list(zip(regions,values)))

.set_global_opts(legend_opts= opts.LegendOpts(is_show = False),title_opts=opts.TitleOpts(title="羽绒服价格区间分布",subtitle="数据来源：腾讯视频\n制图：菜J学Python",pos_top="0.5%",pos_left = 'left'))

.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%",font_size=14))

)

c.render_notebook()

评论人数top10店铺

df5 = df.groupby('店铺名称')['评论人数'].mean()

df5= df5.sort_values(ascending=True)

df5= df5.tail(10)print(df5.index.to_list())print(df5.to_list())

c=(

Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK,width="1100px",height="600px"))

.add_xaxis(df5.index.to_list())

.add_yaxis("",df5.to_list()).reversal_axis() #X轴与y轴调换顺序

.set_global_opts(title_opts=opts.TitleOpts(title="评论人数TOP10",subtitle="数据来源：京东 \t制图：J哥",pos_left = 'left'),

xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=11)), #更改横坐标字体大小

#yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=12)),

yaxis_opts=opts.AxisOpts(axislabel_opts={"rotate":30})#更改纵坐标字体大小

)

.set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='right'))

)

c.render_notebook()

版型

df5 = df.groupby('版型')['商品价格'].mean()

df5= df5.sort_values(ascending=True)[:2]#df5 = df5.tail(10)

df5 = df5.round(2)print(df5.index.to_list())print(df5.to_list())

c=(

Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK,width="1000px",height="500px"))

.add_xaxis(df5.index.to_list())

.add_yaxis("",df5.to_list()).reversal_axis() #X轴与y轴调换顺序

.set_global_opts(title_opts=opts.TitleOpts(title="各版型羽绒服均价",subtitle="数据来源：中原地产 \t制图：J哥",pos_left = 'left'),

xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=11)), #更改横坐标字体大小

#yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=12)),

yaxis_opts=opts.AxisOpts(axislabel_opts={"rotate":30})#更改纵坐标字体大小

)

.set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='right'))

)

c.render_notebook()

厚度

df5 = df.groupby('厚度')['商品价格'].mean()

df5= df5.sort_values(ascending=True)[:2]#df5 = df5.tail(10)

df5 = df5.round(2)print(df5.index.to_list())print(df5.to_list())

c=(

Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK,width="1000px",height="500px"))

.add_xaxis(df5.index.to_list())

.add_yaxis("",df5.to_list()).reversal_axis() #X轴与y轴调换顺序

.set_global_opts(title_opts=opts.TitleOpts(title="各厚度羽绒服均价",subtitle="数据来源：京东 \t制图：J哥",pos_left = 'left'),

xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=11)), #更改横坐标字体大小

#yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=12)),

yaxis_opts=opts.AxisOpts(axislabel_opts={"rotate":30})#更改纵坐标字体大小

)

.set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='right'))

)

c.render_notebook()

风格

df5 = df.groupby('风格')['商品价格'].mean()

df5= df5.sort_values(ascending=True)[:4]#df5 = df5.tail(10)

df5 = df5.round(2)print(df5.index.to_list())print(df5.to_list())

c=(

Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK,width="1000px",height="500px"))

.add_xaxis(df5.index.to_list())

.add_yaxis("",df5.to_list()).reversal_axis() #X轴与y轴调换顺序

.set_global_opts(title_opts=opts.TitleOpts(title="各风格羽绒服均价",subtitle="数据来源：京东 \t制图：J哥",pos_left = 'left'),

xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=11)), #更改横坐标字体大小

#yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=12)),

yaxis_opts=opts.AxisOpts(axislabel_opts={"rotate":30})#更改纵坐标字体大小

)

.set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='right'))

)

c.render_notebook()

羽绒服词云图