基于搜索指数可视化分析近十年的中秋热度
一 、前言
一年一度的中秋节马上就要来了，中秋节时，月亮圆满，象征着团圆。可惜像我们在外漂泊打拼的人们很少有机会在中秋节回家团圆。也在这个时刻更能体会“独在异乡为异客，每逢佳节倍思亲”这句诗。
但我们还是可以给家人送上一些问候和祝福来弥补。在这里也提前祝大家中秋快乐，愿你过的每一天都象十五的月亮一样成功圆满！
下面是我通过百度历年的“中秋”关键词搜索数据并结合antd-echarts绘制柱状图来可视化的呈现数据，并做了一些简单的分析。具体过程如下。
文章目录
- 一 、前言
- 二 、爬取近十年中秋关键字数据
- 三、前端代码
- 四、结果分析
二 、爬取近十年中秋关键字数据
首先通过百度指数搜索“中秋”关键词：https://index.baidu.com/v2/main/index.html#/trend/%E4%B8%AD%E7%A7%8B?words=%E4%B8%AD%E7%A7%8B
可以查看通过百度搜索“中秋”关键字的一个历年热度情况，然后通过python代码来爬取2011-2022年的数据，源码如下：
import requestsheaders = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.82 Safari/537.36","Host": "index.baidu.com","Referer": "http://index.baidu.com/v2/main/index.html","Cipher-Text": "1652425237825_1652501356206_VBpwl9UG8Dvs2fAi91KToRTSAP7sDsQU5phHL97raPDFJdYz3fHf9hBAQrGGCs+qJoP7yb44Uvf91F7vqJLVL0tKnIWE+W3jXAI30xx340rhcwUDQZ162FPAe0a1jsCluJRmMLZtiIplubGMW/QoE/0Pw+2caH39Ok8IsudE4wGLBUdYg1/bKl4MGwLrJZ7H6wbhR0vT5X0OdCX4bMJE7vcwRCSGquRjam03pWDGZ51X15fOlO0qMZ2kqa3BmxwNlfEZ81l3L9nZdrc3/Tl4+mNpaLM7vA5WNEQhTBoDVZs6GBRcJc/FSjd6e4aFGAiCp1Y8MD66chTiykjIN51s7gbJ44JfVS0NjBnsvuF55bs=","Cookie": '通过F12获取你自己的cookie'
}
res_data = []
for i in range(11, 23):url = f'https://index.baidu.com/api/SearchApi/index?area=0&word=[[%7B%22name%22:%22%E4%B8%AD%E7%A7%8B%22,%22wordType%22:1%7D]]&startDate=20{i}-01-01&endDate=20{i}-12-31'r = requests.get(url, headers=headers).json()data = r['data']['generalRatio'][0]all_index, pc_index, mb_index = data['all']['avg'], data['pc']['avg'], data['wise']['avg']year = '20' + str(i)res_data.append({'name': 'PC', '年份': year, '平均值': pc_index})res_data.append({'name': '全部', '年份': year, '平均值': all_index})res_data.append({'name': '移动端', '年份': year, '平均值': mb_index})print(res_data)使用上面的源码需要安装requests库：pip install requests,然后header中的cookie要使用自己的，可以在浏览器页按下F12中进行获取：
执行脚本后输出的结果如下：
[{'name': 'PC', '年份': '2011', '平均值': 1415}, {'name': '全部', '年份': '2011', '平均值': 1941}, {'name': '移动端', '年份': '2011', '平均值': 526}, {'name': 'PC', '年份': '2012', '平均值': 1000}, {'name': '全部', '年份': '2012', '平均值': 1652}, {'name': '移动端', '年份': '2012', '平均值': 651}, {'name': 'PC', '年份': '2013', '平均值': 1590}, {'name': '全部', '年份': '2013', '平均值': 2935}, {'name': '移动端', '年份': '2013', '平均值': 1344}, {'name': 'PC', '年份': '2014', '平均值': 1383}, {'name': '全部', '年份': '2014', '平均值': 2618}, {'name': '移动端', '年份': '2014', '平均值': 1234}, {'name': 'PC', '年份': '2015', '平均值': 2345}, {'name': '全部', '年份': '2015', '平均值': 4714}, {'name': '移动端', '年份': '2015', '平均值': 2369}, {'name': 'PC', '年份': '2016', '平均值': 1948}, {'name': '全部', '年份': '2016', '平均值': 3826}, {'name': '移动端', '年份': '2016', '平均值': 1878}, {'name': 'PC', '年份': '2017', '平均值': 890}, {'name': '全部', '年份': '2017', '平均值': 2466}, {'name': '移动端', '年份': '2017', '平均值': 1576}, {'name': 'PC', '年份': '2018', '平均值': 1926}, {'name': '全部', '年份': '2018', '平均值': 4659}, {'name': '移动端', '年份': '2018', '平均值': 2732}, {'name': 'PC', '年份': '2019', '平均值': 1672}, {'name': '全部', '年份': '2019', '平均值': 5304}, {'name': '移动端', '年份': '2019', '平均值': 3631}, {'name': 'PC', '年份': '2020', '平均值': 876}, {'name': '全部', '年份': '2020', '平均值': 3491}, {'name': '移动端', '年份': '2020', '平均值': 2614}, {'name': 'PC', '年份': '2021', '平均值': 1374}, {'name': '全部', '年份': '2021', '平均值': 6640}, {'name': '移动端', '年份': '2021', '平均值': 5265}, {'name': 'PC', '年份': '2022', '平均值': 896}, {'name': '全部', '年份': '2022', '平均值': 3425}, {'name': '移动端', '年份': '2022', '平均值': 2529}]
输出结果的格式是一个列表，为什么要这样输出是因为antd-echarts中柱状图要求这样的格式，我们这样输出后前端不需要再做任何处理，直接拿到数据展示即可，减少了一定的工作量。
三、前端代码
前端是通过antd-echarts的分组柱状图来实现的，具体的代码实现如下：
import { Column } from '@ant-design/plots';const DemoColumn = () => {const data=[{'name': 'PC', '年份': '2011', '平均值': 1415}, {'name': '全部', '年份': '2011', '平均值': 1941}, {'name': '移动端', '年份': '2011', '平均值': 526}, {'name': 'PC', '年份': '2012', '平均值': 1000}, {'name': '全部', '年份': '2012', '平均值': 1652}, {'name': '移动端', '年份': '2012', '平均值': 651}, {'name': 'PC', '年份': '2013', '平均值': 1590}, {'name': '全部', '年份': '2013', '平均值': 2935}, {'name': '移动端', '年份': '2013', '平均值': 1344}, {'name': 'PC', '年份': '2014', '平均值': 1383}, {'name': '全部', '年份': '2014', '平均值': 2618}, {'name': '移动端', '年份': '2014', '平均值': 1234}, {'name': 'PC', '年份': '2015', '平均值': 2345}, {'name': '全部', '年份': '2015', '平均值': 4714}, {'name': '移动端', '年份': '2015', '平均值': 2369}, {'name': 'PC', '年份': '2016', '平均值': 1948}, {'name': '全部', '年份': '2016', '平均值': 3826}, {'name': '移动端', '年份': '2016', '平均值': 1878}, {'name': 'PC', '年份': '2017', '平均值': 890}, {'name': '全部', '年份': '2017', '平均值': 2466}, {'name': '移动端', '年份': '2017', '平均值': 1576}, {'name': 'PC', '年份': '2018', '平均值': 1926}, {'name': '全部', '年份': '2018', '平均值': 4659}, {'name': '移动端', '年份': '2018', '平均值': 2732}, {'name': 'PC', '年份': '2019', '平均值': 1672}, {'name': '全部', '年份': '2019', '平均值': 5304}, {'name': '移动端', '年份': '2019', '平均值': 3631}, {'name': 'PC', '年份': '2020', '平均值': 876}, {'name': '全部', '年份': '2020', '平均值': 3491}, {'name': '移动端', '年份': '2020', '平均值': 2614}, {'name': 'PC', '年份': '2021', '平均值': 1374}, {'name': '全部', '年份': '2021', '平均值': 6640}, {'name': '移动端', '年份': '2021', '平均值': 5265}, {'name': 'PC', '年份': '2022', '平均值': 896}, {'name': '全部', '年份': '2022', '平均值': 3425}, {'name': '移动端', '年份': '2022', '平均值': 2529}]const config = {data,isGroup: true,xField: '年份',yField: '平均值',seriesField: 'name',color: ['#1ca9e6', '#f88c24','#30BF78'],/** 设置间距 */// marginRatio: 0.1,label: {// 可手动配置 label 数据标签位置position: 'middle',// 'top', 'middle', 'bottom'// 可配置附加的布局方法layout: [// 柱形图数据标签位置自动调整{type: 'interval-adjust-position',}, // 数据标签防遮挡],},};return <Column {...config} />;
};
export default DemoColumn展示结果
然后按照同样的操作再试试“月饼”关键词的呈现：
另外antd-echarts还提供非常多的图表供我们使用比如常见的折线图、饼图等，不常见的漏斗图、玉珏图、分面图等也支持。文档也很规范容易上手，大家也可以尝试下。
四、结果分析
通过上图我们可以发现：
- 2021年中秋热度最高；
- 2012年中秋热度最低；
- 越来越多的用户倾向使用移动端进行搜索，电脑用户在逐渐减少，这也符合整个大环境的表现；
上面的数据也仅供参考，没有实际的对比意义，毕竟数据的影响因素有很多。特别是这两年各大电商、短视频平台对百度搜索的分流，导致使用百度的用户越来越少，自然数据的参考价值就不大。
如果真要做有意义的分析，建议通过各大电商平台的搜索量或相关订单量来分析，这样的数据会更有参考价值一些。
最后，送你一轮圆圆的月，思念为圆心，关怀长围绕;送你一个圆圆的饼，幸福为圆心，好运长环绕;送你一句圆圆的祝福，真诚为圆心，友情长围绕。中秋快乐！
基于搜索指数可视化分析近十年的中秋热度相关推荐
- 聚合中返回source_大数据搜索与可视化分析（9）elasticsearch聚合分析Metric Aggregation...
在上一篇文章中,我们介绍了<大数据搜索与可视化分析(8)kibana入门教程-2-Discover>,本文学习elasticsearch聚合分析,是对<大数据搜索与可视化分析(3)e ...
- Python + Neo4j（安装）可视化分析漫威十年人物关系图谱
目录 1 数据爬取 1.1 漫威人物关系图谱网站 1.2 爬取人物关系数据 2 Neo4j的安装及服务启动 2.1 Neo4j下载安装 2.2 开启Neo4j服务 3 数据准备 3.1 加入列名 3. ...
- 基于python的可视化分析_Python数据的可视化分析,python
python数据可视化分析 首先载入必要的库 import warnings import numpy as np import pandas as pd import matplotlib.pypl ...
- 基于python的可视化分析_基于Python 的数据分析与可视化平台研究
基于 Python 的数据分析与可视化平台研究 宋永生 ; 黄蓉美 ; 王军 [期刊名称] <现代信息科技> [年 ( 卷 ), 期] 2019(003)021 [摘要] 数据分析与可视化 ...
- Python百度指数可视化分析实战案例1
有时候很难客观公正的去评价某一件事情, 但是根据数据往往就很理性了, 所以如何从比较可靠的数据中分析出有用信息就很重要了, 比如说Python的百度指数分析: p1 p2 p3 ,可靠数据已经初现端倪 ...
- r语言 append_Python爬取近十年TIOBE编程语言热度数据并可视化可视化
本文介绍如何利用requests+正则表达式爬取TIOBE编程语言热度数据,并使用?openpyxl写入数据与?pyecharts时间轮播图进行可视化. 一.数据获取 我们需要爬取的目标url为h ...
- 基于搜索指数预测各城市首轮感染高峰期；AI+眼镜：失聪者看字幕盲人听语音；ChatGPT VSCode插件教程；谷歌开源注意力中心模型 | ShowMeAI资讯日报
- Python 可视化近 90 天的百度搜索指数 + 词云图
作者 | 叶庭云 来源 | AI庭云君 一.简介 在实际业务中我们可能会使用爬虫根据关键词获取百度搜索指数历史数据,然后进行对应的数据分析. 百度指数,体验大数据之美.但要获取百度指数相关的数据,困难 ...
- Python新冠疫情可视化分析系统 计算机专业毕业设计源码08504
摘 要 文中首先对新冠疫情可视化分析的项目需求进行了背景分析,接着介绍了项目的总体设计思路,然后具体阐述了疫情数据库的设计.疫情数据的查询.疫情数据的展示,并分析了核心代码.文中利用MySQL数据库存 ...
最新文章
- 百度程序员哀叹：回老家发现村里很多人开保时捷，道奇等豪车，比程序员有钱多了！...
- MARSHALL LIBRARY OPENING HOURS
- 用tar备份linux
- 闲来没事写个记事本玩玩！！！
- pads中如何设置等长_期货如何设置止损止盈避免交易中被套-期货学习
- visio图标_弱电间机柜原型图整理，可编辑！（Excel，visio，CAD）
- 每日小记2017.3.7
- 开源协议概谈[转载]
- 95-36-110-ChannelHandler-ChannelDuplexHandler
- matlab怎么复制相同的列,怎样将数组中某一列数据相同的行提取出来？
- WebLogic 11g重置用户密码
- matlab·计算机视觉·工具箱
- python 电力系统时域仿真_电力系统暂态计算_时域仿真方法
- android移动应用开发实践教程，分享一些行业经验，成功入职阿里
- matlab求方差、均方值和功率
- IP Forwarding打开
- 记录微博图床403解决方法
- Chrome游览器改变SameSite设置
- 勃林格殷格翰与Lifebit合作识别全球传染病暴发；百济神州和Shoreline Biosciences达成合作 | 医药健闻...
- [Android UI] graphics