端午节到了，甜咸粽子之争也拉开了帷幕。我用 Python 爬取了淘宝上的粽子数据并进行分析，看看有什么发现。
图片来自 Pexels
1.爬虫
爬取淘宝数据，本次采用的方法是：Selenium 控制 Chrome 浏览器自动化操作。
其实我们还可以利用 Ajax 接口来构造链接，但是非常繁琐(包含加密秘钥等)，直接使用 Selenium 来模拟浏览器会省去很多事情。
之前的文章我们也用过相同的方法，比如：爬电脑、爬电脑、爬完电脑买不起
最常见的问题是 chromedriver 驱动与谷歌浏览器的版本不匹配，很容易就可以解决。
接下来，我们就开始利用 selenium 抓取淘宝商品，并使用 Xpath 解析得到商品名、价格、付款人数、店铺名、发货地址信息，最后将数据保存在本地。
爬虫过程如下图：
selenium 自动化爬取(需要淘宝扫描登录一次)
- from selenium import webdriver
- # 搜索商品，获取商品页码
- def search_product(key_word):
- # 定位输入框
- browser.find_element_by_id("q").send_keys(key_word)
- # 定义点击按钮，并点击
- browser.find_element_by_class_name('btn-search').click()
- # 最大化窗口：为了方便我们扫码
- browser.maximize_window()
- # 等待15秒，给足时间我们扫码
- time.sleep(15)
- # 定位这个“页码”，获取“共100页这个文本”
- page_info = browser.find_element_by_xpath('//div[@class="total"]').text
- # 需要注意的是：findall()返回的是一个列表，虽然此时只有一个元素它也是一个列表。
- page = re.findall("(\d+)",page_info)[0]
- return page
详细爬虫代码下载见文末。
2.数据整理
此时我们爬取得到的数据：
整理前的数据
数据还是比较粗糙的，有几个问题需要我们去处理：
- 添加列名
- 去除重复数据(翻页爬取过程中会有重复)
- 购买人数为空的记录，替换成 0 人付款
- 将购买人数转换为销量(注意部分单位为万)
- 删除无发货地址的商品，并提取其中的省份
部分代码：
- # 删除无发货地址的商品，并提取省份
- df = df[df['发货地址'].notna()]
- df['省份'] = df['发货地址'].str.split(' ').apply(lambda x:x[0])
- # 删除多余的列
- df.drop(['付款人数', '发货地址', 'num', 'unit'], axis=1, inplace=True)
- # 重置索引
- df = df.reset_index(drop=True)
- df.head(10)
整理后的数据
这样我们就对数据完成了清洗与整理，方便下一步进行可视化。
顺便做个排序，看看什么粽子最贵：
- df1 = df.sort_values(by="价格", axis=0, ascending=False)
- df1.iloc[:5,:]
价格 TOP5 的粽子
前三名都来自御茶膳房旗舰店，让我们看看 1780 元的粽子长啥样吧!
想尝尝!
3.数据可视化
本文我们打算用 pyecharts 进行可视化展示。有同学可能使用的是老版本(0.5X)，Pyecharts 的 1.x 版本与老版本(0.5X)不兼容，如果无法导入可能是这个问题哈。
可视化所有语句均基于 v1.7.1，通过以下语句可查询你的 pyecharts 版本：
- import pyecharts
- print(pyecharts.__version__)
扇形图
最贵的粽子 1780 元看来是吃不起了，那大家都买什么价位的呢?
先按照淘宝推荐的区间划分一下：
- def price_range(x): #按照淘宝推荐划分价格区间
- if x <= 22:
- return '22元以下'
- elif x <= 115:
- return '22-115元'
- elif x <= 633:
- return '115-633元'
- else:
- return '633元以上'
再使用 pyecharts 来生成不同价格区间的粽子销量占比图。
不同价格区间的粽子销量占比
看来百元以内的粽子(礼盒装)才是大家的正常承受范围，不过我还是选择小区门口的 5 块钱 3 个。
词云图
我们用 jieba 对爬取得到的商品名称分词，生成词云。
- from pyecharts.charts import WordCloud
- from pyecharts.globals import SymbolType
- # 词云图
- word1 = WordCloud(init_opts=opts.InitOpts(width='1350px', height='750px'))
- word1.add("", [*zip(key_words.words, key_words.num)],
- word_size_range=[20, 200],
- shape=SymbolType.DIAMOND)
- word1.set_global_opts(title_opts=opts.TitleOpts('粽子商品名称词云图'),
- toolbox_opts=opts.ToolboxOpts())
- word1.render("粽子商品名称词云图.html")
粽子商品名称词云图
硕大的粽子周围环绕着几个突出的关键词：礼盒装、鲜肉、蛋黄、嘉兴、豆沙、端午节。
除去端午节相关的词汇，我们通过关键词大小似乎就知道几种口味的受欢迎情况。
查阅资料对比一下，还真是大体一致。心疼我枣粽。至于嘉兴这个地名，我们后文会继续提到。
条形图
上文我们查到了最贵的粽子，那么销量最好的粽子/店铺是什么呢?
粽子商品销量 Top10
五芳斋共 4 款入围，其中一款礼盒装达到了 100万+ 的销量，应该比这个还多(参见微信的 10w+)。真真老老紧随其后，3 款粽子进入 TOP10。
其余的品牌还有稻香村和知味观，额，第九名是卖粽叶的，看来自己包粽子的需求也是蛮大的嘛。
粽子店铺销量 Top10
粽子店铺销量 Top10 其实与商品相似，五芳斋官方旗舰店和真真老老旗舰店占据首位，遥遥领先。
经过查阅，五芳斋，真真老老，都为嘉兴的粽子两大品牌，那难怪嘉兴在词云图里那么突出。
嘉兴属于浙江省，销量冠亚军都在这里，那浙江岂不是占比很大。还真是这样。
地图
继续使用 pyecharts 来生成各省份粽子销量分布图：
- from pyecharts.charts import Map
- # 计算销量
- province_num = df.groupby('省份')['销量'].sum().sort_values(ascending=False)
- # 绘制地图
- map1 = Map(init_opts=opts.InitOpts(width='1350px', height='750px'))
- map1.add("", [list(z) for z in zip(province_num.index.tolist(), province_num.values.tolist())],
- maptype='china'
- )
- map1.set_global_opts(title_opts=opts.TitleOpts(title='各省份粽子销量分布'),
- visualmap_opts=opts.VisualMapOpts(max_=300000),
- toolbox_opts=opts.ToolboxOpts()
- )
- map1.render("各省份粽子销量分布.html")
各省份粽子销量分布
这个销量占比差异真的是太大了。可以说中国粽子看浙江，浙江粽子看嘉兴。(通过计算发货地址为浙江的粽子销量占比 70.6%，而嘉兴占浙江的 87.4%)
纪录片《舌尖上的中国》里的嘉兴粽
4.小结
粽子自古以来就代表着纪念和美好的祝愿，而在这个并不安稳的 2020，端午的粽子更多了一些祈愿国泰民安，顺利度过阴霾的意义。
“端午安康”不再是一句客套话，而是我们能送给彼此的最好的愿景。
本文数据和爬虫可视化源码下载地址：
- https://alltodata.cowtransfer.com/s/d11c8906cd9c4c
作者：朱小五
编辑：陶家龙
出处：转载自微信公众号凹凸数据(ID：alltodata)
