本文記錄了筆者用 Python 爬取淘寶某商品的全過程,並對商品數據進行了挖掘與分析,最終得出結論。
項目內容
-
本案例選擇商品類目:沙發。
-
數量:共 100 頁 4400 個商品。
-
篩選條件:天貓、銷量從高到低、價格 500 元以上。
項目目的
-
對商品標題進行文本分析,詞雲可視化
-
不同關鍵詞 word 對應的 sales 的統計分析
-
商品的價格分佈情況分析
-
商品的銷量分佈情況分析
-
不同價格區間的商品的平均銷量分佈
-
商品價格對銷量的影響分析
-
商品價格對銷售額的影響分析
-
不同省份或城市的商品數量分佈
-
不同省份的商品平均銷量分佈
注:本項目僅以以上幾項分析爲例。
項目步驟
-
數據採集:Python 爬取淘寶網商品數據
-
對數據進行清洗和處理
-
文本分析:jieba 分詞、wordcloud 可視化
-
數據柱形圖可視化:barh
-
數據直方圖可視化:hist
-
數據散點圖可視化:scatter
-
數據迴歸分析可視化: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。
爬取數據
因淘寶網是反爬蟲的,雖然使用多線程、修改 headers 參數,但仍然不能保證每次 100% 爬取,所以我增加了循環爬取,每次循環爬取未爬取成功的頁 ,直至所有頁爬取成功停止。
說明:淘寶商品頁爲 JSON 格式,這裏使用正則表達式進行解析。
代碼如下:
數據清洗、處理
數據清洗、處理這個步驟也可以在 Excel 中完成,再讀入數據。
代碼如下:
說明:根據需求,本案例中只取了 item_loc,raw_title,view_price,view_sales 這 4 列數據,主要對區域、標題、價格、銷量進行分析。
代碼如下:
數據挖掘與分析
對 raw_title 列標題進行文本分析
使用結巴分詞器,安裝模塊 pip install jieba:
對 title_s(list of list 格式)中的每個 list 的元素(str)進行過濾,剔除不需要的詞語,即把停用詞表 stopwords 中有的詞語都剔除掉:
因爲下面要統計每個詞語的個數,所以爲了準確性,這裏對過濾後的數據 title_clean 中的每個 list 的元素進行去重,即每個標題被分割後的詞語唯一。
觀察 word_count 表中的詞語,發現 jieba 默認的詞典無法滿足需求。
有的詞語(如可拆洗、不可拆洗等)卻被 cut,這裏根據需求對詞典加入新詞(也可以直接在詞典 dict.txt 裏面增刪,然後載入修改過的 dict.txt)。
詞雲可視化需要安裝 wordcloud 模塊。
安裝模塊有兩種方法:
-
pip install wordcloud
-
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:
分析結論:
-
組合、整裝商品佔比很高。
-
從沙發材質看:布藝沙發佔比很高,比皮藝沙發多。
-
從沙發風格看:簡約風格最多,北歐風次之,其他風格排名依次是美式、中式、日式、法式等。
-
從戶型看:小戶型佔比最高、大小戶型次之,大戶型最少。
不同關鍵詞 word 對應的 sales 之和的統計分析
說明:例如詞語“簡約”,則統計商品標題中含有“簡約”一詞的商品的銷量之和,即求出具有“簡約”風格的商品銷量之和。
代碼如下:
對錶 df_word_sum 中的 word 和 w_s_sum 兩列數據進行可視化。(本例中取銷量排名前 30 的詞語進行繪圖)
由圖表可知:
-
組合商品銷量最高。
-
從品類看:布藝沙發銷量很高,遠超過皮藝沙發。
-
從戶型看:小戶型沙發銷量最高,大小戶型次之,大戶型銷量最少。
-
從風格看:簡約風銷量最高,北歐風次之,其他依次是中式、美式、日式等。
-
可拆洗、轉角類沙發銷量可觀,也是頗受消費者青睞的。
商品的價格分佈情況分析
分析發現,有一些值太大,爲了使可視化效果更加直觀,這裏我們結合自身產品情況,選擇價格小於 20000 的商品。
代碼如下:
由圖表可知:
-
商品數量隨着價格總體呈現下降階梯形勢,價格越高,在售的商品越少。
-
低價位商品居多,價格在 500-1500 之間的商品最多,1500-3000 之間的次之,價格 1 萬以上的商品較少。
-
價格 1 萬元以上的商品,在售商品數量差異不大。
商品的銷量分佈情況分析
同樣,爲了使可視化效果更加直觀,這裏我們選擇銷量大於 100 的商品。
代碼如下:
由圖表及數據可知:
-
銷量 100 以上的商品僅佔 3.4% ,其中銷量 100-200 之間的商品最多,200-300 之間的次之。
-
銷量 100-500 之間,商品的數量隨着銷量呈現下降趨勢,且趨勢陡峭,低銷量商品居多。
-
銷量 500 以上的商品很少。
不同價格區間的商品的平均銷量分佈
代碼如下:
由圖表可知:
-
價格在 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。
-
總體呈現先增後減的趨勢,但最高峯處於相對低價位階段。
-
說明廣大消費者對購買沙發的需求更多處於低價位階段,在 1680 元以上價位越高,平均銷量基本是越少。
商品價格對銷量的影響分析
同上,爲了使可視化效果更加直觀,這裏我們結合自身產品情況,選擇價格小於 20000 的商品。
代碼如下:
由圖表可知:
-
總體趨勢:隨着商品價格增多,其銷量減少,商品價格對其銷量影響很大。
-
價格 500-2500 之間的少數商品銷量衝的很高,價格 2500-5000 之間的商品多數銷量偏低,少數相對較高,但價格 5000 以上的商品銷量均很低,沒有銷量突出的商品。
商品價格對銷售額的影響分析
代碼如下:
由圖表可知:
-
總體趨勢:由線性迴歸擬合線可以看出,商品銷售額隨着價格增長呈現上升趨勢。
-
多數商品的價格偏低,銷售額也偏低。
-
價格在 0-20000 的商品只有少數銷售額較高,價格 2-6 萬的商品只有 3 個銷售額較高,價格 6-10 萬的商品有 1 個銷售額很高,而且是最大值。在學習Python的過程中,往往因爲沒有資料或者沒人指導從而導致自己不想學下去了,因此姐姐我特意準備了個羣 631441315 ,羣裏有大量的PDF書籍、教程都給大家免費使用!不管是學習到哪個階段的小夥伴都可以獲取到自己相對應的資料!
不同省份的商品數量分佈
代碼如下:
由圖表可知:
-
廣東的最多,上海次之,江蘇第三,尤其是廣東的數量遠超過江蘇、浙江、上海等地,說明在沙發這個子類目,廣東的店鋪占主導地位。
-
江浙滬等地的數量差異不大,基本相當。
不同省份的商品平均銷量分佈
代碼如下:
熱力型地圖