我用Python爬了4400条淘宝商品数据，竟发现了这些“潜规则”
本文记录了笔者用 Python 爬取淘宝某商品的全过程，并对商品数据进行了挖掘与分析，最终得出结论。
项目内容
本案例选择商品类目：沙发。
数量：共 100 页 4400 个商品。
筛选条件：天猫、销量从高到低、价格 500 元以上。
项目目的
对商品标题进行文本分析，词云可视化
不同关键词 word 对应的 sales 的统计分析
商品的价格分布情况分析
商品的销量分布情况分析
不同价格区间的商品的平均销量分布
商品价格对销量的影响分析
商品价格对销售额的影响分析
不同省份或城市的商品数量分布
不同省份的商品平均销量分布
注：本项目仅以以上几项分析为例。
项目步骤
数据采集：Python 爬取淘宝网商品数据
对数据进行清洗和处理
文本分析：jieba 分词、wordcloud 可视化
数据柱形图可视化：barh
数据直方图可视化：hist
数据散点图可视化：scatter
数据回归分析可视化：regplot
工具&模块
工具：本案例代码编辑工具 Anaconda 的 Spyder。
模块：requests、retrying、missingno、jieba、matplotlib、wordcloud、imread、seaborn 等。
爬取数据
因淘宝网是反爬虫的，虽然使用多线程、修改 headers 参数，但仍然不能保证每次 100% 爬取，所以我增加了循环爬取，每次循环爬取未爬取成功的页 ，直至所有页爬取成功停止。
说明：淘宝商品页为 JSON 格式，这里使用正则表达式进行解析。
代码如下：
数据清洗、处理
数据清洗、处理这个步骤也可以在 Excel 中完成，再读入数据。
代码如下：
说明：根据需求，本案例中只取了 item_loc，raw_title，view_price，view_sales 这 4 列数据，主要对区域、标题、价格、销量进行分析。
代码如下：
数据挖掘与分析
对 raw_title 列标题进行文本分析
使用结巴分词器，安装模块 pip install jieba：
对 title_s（list of list 格式）中的每个 list 的元素（str）进行过滤，剔除不需要的词语，即把停用词表 stopwords 中有的词语都剔除掉：
因为下面要统计每个词语的个数，所以为了准确性，这里对过滤后的数据 title_clean 中的每个 list 的元素进行去重，即每个标题被分割后的词语唯一。
观察 word_count 表中的词语，发现 jieba 默认的词典无法满足需求。
有的词语（如可拆洗、不可拆洗等）却被 cut，这里根据需求对词典加入新词（也可以直接在词典 dict.txt 里面增删，然后载入修改过的 dict.txt）。
词云可视化需要安装 wordcloud 模块。
安装模块有两种方法：
pip install wordcloud
下载 Packages 安装：pip install 软件包名称
软件包下载地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/#wordcloud
注意：要把下载的软件包放在 Python 安装路径下。
代码如下：
分析结论：
组合、整装商品占比很高。
从沙发材质看：布艺沙发占比很高，比皮艺沙发多。
从沙发风格看：简约风格最多，北欧风次之，其他风格排名依次是美式、中式、日式、法式等。
从户型看：小户型占比最高、大小户型次之，大户型最少。
不同关键词 word 对应的 sales 之和的统计分析
说明：例如词语“简约”，则统计商品标题中含有“简约”一词的商品的销量之和，即求出具有“简约”风格的商品销量之和。
代码如下：
对表 df_word_sum 中的 word 和 w_s_sum 两列数据进行可视化。（本例中取销量排名前 30 的词语进行绘图）
由图表可知：
组合商品销量最高。
从品类看：布艺沙发销量很高，远超过皮艺沙发。
从户型看：小户型沙发销量最高，大小户型次之，大户型销量最少。
从风格看：简约风销量最高，北欧风次之，其他依次是中式、美式、日式等。
可拆洗、转角类沙发销量可观，也是颇受消费者青睐的。
商品的价格分布情况分析
分析发现，有一些值太大，为了使可视化效果更加直观，这里我们结合自身产品情况，选择价格小于 20000 的商品。
代码如下：
由图表可知：
商品数量随着价格总体呈现下降阶梯形势，价格越高，在售的商品越少。
低价位商品居多，价格在 500-1500 之间的商品最多，1500-3000 之间的次之，价格 1 万以上的商品较少。
价格 1 万元以上的商品，在售商品数量差异不大。
商品的销量分布情况分析
同样，为了使可视化效果更加直观，这里我们选择销量大于 100 的商品。
代码如下：
由图表及数据可知：
销量 100 以上的商品仅占 3.4% ，其中销量 100-200 之间的商品最多，200-300 之间的次之。
销量 100-500 之间，商品的数量随着销量呈现下降趋势，且趋势陡峭，低销量商品居多。
销量 500 以上的商品很少。
不同价格区间的商品的平均销量分布
代码如下：
由图表可知：
价格在 1331-1680 之间的商品平均销量最高，951-1331 之间的次之，9684 元以上的最低。
总体呈现先增后减的趋势，但最高峰处于相对低价位阶段。
说明广大消费者对购买沙发的需求更多处于低价位阶段，在 1680 元以上价位越高，平均销量基本是越少。
商品价格对销量的影响分析
同上，为了使可视化效果更加直观，这里我们结合自身产品情况，选择价格小于 20000 的商品。
代码如下：
由图表可知：
总体趋势：随着商品价格增多，其销量减少，商品价格对其销量影响很大。
价格 500-2500 之间的少数商品销量冲的很高，价格 2500-5000 之间的商品多数销量偏低，少数相对较高，但价格 5000 以上的商品销量均很低，没有销量突出的商品。
商品价格对销售额的影响分析
代码如下：
由图表可知：
总体趋势：由线性回归拟合线可以看出，商品销售额随着价格增长呈现上升趋势。
多数商品的价格偏低，销售额也偏低。
价格在 0-20000 的商品只有少数销售额较高，价格 2-6 万的商品只有 3 个销售额较高，价格 6-10 万的商品有 1 个销售额很高，而且是最大值。
不同省份的商品数量分布
代码如下：
由图表可知：
广东的最多，上海次之，江苏第三，尤其是广东的数量远超过江苏、浙江、上海等地，说明在沙发这个子类目，广东的店铺占主导地位。
江浙沪等地的数量差异不大，基本相当。
不同省份的商品平均销量分布
代码如下：
热力型地图
微信后台回复关键词“淘宝”下载源代码和相关文档
作者：孙方辉，从事数据分析工作，热爱数据统计与挖掘分析
编辑：陶家龙、孙淑娟
来源：转载自CDA数据分析师微信公众号
精彩文章推荐：