端午節到了，甜咸粽子之爭也拉開了帷幕。我用 Python 爬取了淘寶上的粽子數據并進行分析，看看有什么發現。

[[331330]]

 

圖片來自 Pexels

1.爬蟲

爬取淘寶數據，本次采用的方法是：Selenium 控制 Chrome 瀏覽器自動化操作。

其實我們還可以利用 Ajax 接口來構造鏈接，但是非常繁瑣(包含加密秘鑰等)，直接使用 Selenium 來模擬瀏覽器會省去很多事情。

之前的文章我們也用過相同的方法，比如：爬電腦、爬電腦、爬完電腦買不起

最常見的問題是 chromedriver 驅動與谷歌瀏覽器的版本不匹配，很容易就可以解決。

接下來，我們就開始利用 selenium 抓取淘寶商品，并使用 Xpath 解析得到商品名、價格、付款人數、店鋪名、發貨地址信息，最后將數據保存在本地。

爬蟲過程如下圖：

 

selenium 自動化爬取(需要淘寶掃描登錄一次)

from selenium import webdriver 
 
# 搜索商品，獲取商品頁碼 
def search_product(key_word): 
    # 定位輸入框 
    browser.find_element_by_id("q").send_keys(key_word) 
    # 定義點擊按鈕，并點擊 
    browser.find_element_by_class_name('btn-search').click() 
    # 最大化窗口：為了方便我們掃碼 
    browser.maximize_window() 
    # 等待15秒，給足時間我們掃碼 
    time.sleep(15) 
    # 定位這個“頁碼”，獲取“共100頁這個文本” 
    page_info = browser.find_element_by_xpath('//div[@class="total"]').text 
    # 需要注意的是：findall()返回的是一個列表，雖然此時只有一個元素它也是一個列表。 
    page = re.findall("(\d+)",page_info)[0] 
    return page 

詳細爬蟲代碼下載見文末。

2.數據整理

此時我們爬取得到的數據：

 

整理前的數據

數據還是比較粗糙的，有幾個問題需要我們去處理：

• 添加列名
• 去除重復數據(翻頁爬取過程中會有重復)
• 購買人數為空的記錄，替換成 0 人付款
• 將購買人數轉換為銷量(注意部分單位為萬)
• 刪除無發貨地址的商品，并提取其中的省份

部分代碼：

# 刪除無發貨地址的商品，并提取省份 
df = df[df['發貨地址'].notna()] 
df['省份'] = df['發貨地址'].str.split(' ').apply(lambda x:x[0]) 
 
# 刪除多余的列 
df.drop(['付款人數', '發貨地址', 'num', 'unit'], axis=1, inplace=True) 
 
# 重置索引 
df = df.reset_index(drop=True) 
df.head(10)  

 

 

整理后的數據

這樣我們就對數據完成了清洗與整理，方便下一步進行可視化。

順便做個排序，看看什么粽子最貴：

df1 = df.sort_values(by="價格", axis=0, ascending=False) 
df1.iloc[:5,:] 

 

價格 TOP5 的粽子

前三名都來自御茶膳房旗艦店，讓我們看看 1780 元的粽子長啥樣吧!

 

想嘗嘗!

 

3.數據可視化

本文我們打算用 pyecharts 進行可視化展示。有同學可能使用的是老版本(0.5X)，Pyecharts 的 1.x 版本與老版本(0.5X)不兼容，如果無法導入可能是這個問題哈。

可視化所有語句均基于 v1.7.1，通過以下語句可查詢你的 pyecharts 版本：

import pyecharts 
 
print(pyecharts.__version__) 

扇形圖

最貴的粽子 1780 元看來是吃不起了，那大家都買什么價位的呢?

先按照淘寶推薦的區間劃分一下：

def price_range(x): #按照淘寶推薦劃分價格區間 
    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 來生成不同價格區間的粽子銷量占比圖。

 

不同價格區間的粽子銷量占比

看來百元以內的粽子(禮盒裝)才是大家的正常承受范圍，不過我還是選擇小區門口的 5 塊錢 3 個。

詞云圖

我們用 jieba 對爬取得到的商品名稱分詞，生成詞云。

from pyecharts.charts import WordCloud 
from pyecharts.globals import SymbolType 
 
# 詞云圖 
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('粽子商品名稱詞云圖'), 
                      toolbox_opts=opts.ToolboxOpts()) 
word1.render("粽子商品名稱詞云圖.html") 

 

粽子商品名稱詞云圖

碩大的粽子周圍環繞著幾個突出的關鍵詞：禮盒裝、鮮肉、蛋黃、嘉興、豆沙、端午節。

 

除去端午節相關的詞匯，我們通過關鍵詞大小似乎就知道幾種口味的受歡迎情況。

查閱資料對比一下，還真是大體一致。心疼我棗粽。至于嘉興這個地名，我們后文會繼續提到。

條形圖

上文我們查到了最貴的粽子，那么銷量最好的粽子/店鋪是什么呢?

 

粽子商品銷量 Top10

五芳齋共 4 款入圍，其中一款禮盒裝達到了 100萬+ 的銷量，應該比這個還多(參見微信的 10w+)。真真老老緊隨其后，3 款粽子進入 TOP10。

其余的品牌還有稻香村和知味觀，額，第九名是賣粽葉的，看來自己包粽子的需求也是蠻大的嘛。

 

粽子店鋪銷量 Top10

粽子店鋪銷量 Top10 其實與商品相似，五芳齋官方旗艦店和真真老老旗艦店占據首位，遙遙領先。

經過查閱，五芳齋，真真老老，都為嘉興的粽子兩大品牌，那難怪嘉興在詞云圖里那么突出。

嘉興屬于浙江省，銷量冠亞軍都在這里，那浙江豈不是占比很大。還真是這樣。

地圖

繼續使用 pyecharts 來生成各省份粽子銷量分布圖：

from pyecharts.charts import Map  
 
# 計算銷量 
province_num = df.groupby('省份')['銷量'].sum().sort_values(ascending=False)  
 
# 繪制地圖 
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='各省份粽子銷量分布'), 
                     visualmap_opts=opts.VisualMapOpts(max_=300000), 
                     toolbox_opts=opts.ToolboxOpts() 
                    ) 
map1.render("各省份粽子銷量分布.html") 

 

各省份粽子銷量分布

這個銷量占比差異真的是太大了。可以說中國粽子看浙江，浙江粽子看嘉興。(通過計算發貨地址為浙江的粽子銷量占比 70.6%，而嘉興占浙江的 87.4%)

[[331332]]

 

紀錄片《舌尖上的中國》里的嘉興粽

4.小結

粽子自古以來就代表著紀念和美好的祝愿，而在這個并不安穩的 2020，端午的粽子更多了一些祈愿國泰民安，順利度過陰霾的意義。

[[331333]]

 

“端午安康”不再是一句客套話，而是我們能送給彼此的最好的愿景。

本文數據和爬蟲可視化源碼下載地址：

https://alltodata.cowtransfer.com/s/d11c8906cd9c4c 

作者：朱小五

編輯：陶家龍

出處：轉載自微信公眾號凹凸數據(ID：alltodata)