python制作爬蟲爬取京東商品評(píng)論教程

更新時(shí)間：2016年12月16日 08:38:13 作者：藍(lán)鯨

本文是繼前2篇Python爬蟲系列文章的后續(xù)篇，給大家介紹的是如何使用Python爬取京東商品評(píng)論信息的方法，并根據(jù)數(shù)據(jù)繪制成各種統(tǒng)計(jì)圖表，非常的細(xì)致，有需要的小伙伴可以參考下

本篇文章是python爬蟲系列的第三篇，介紹如何抓取京東商城商品評(píng)論信息，并對(duì)這些評(píng)論信息進(jìn)行分析和可視化。下面是要抓取的商品信息，一款女士文胸。這個(gè)商品共有紅色，黑色和膚色三種顏色， 70B到90D共18個(gè)尺寸，以及超過700條的購買評(píng)論。

京東商品評(píng)論信息是由JS動(dòng)態(tài)加載的，所以直接抓取商品詳情頁的URL并不能獲得商品評(píng)論的信息。因此我們需要先找到存放商品評(píng)論信息的文件。這里我們使用Chrome瀏覽器里的開發(fā)者工具進(jìn)行查找。

具體方法是在商品詳情頁點(diǎn)擊鼠標(biāo)右鍵，選擇檢查，在彈出的開發(fā)者工具界面中選擇Network，設(shè)置為禁用緩存(Disable cache)和只查看JS文件。然后刷新頁面。頁面加載完成后向下滾動(dòng)鼠標(biāo)找到商品評(píng)價(jià)部分，等商品評(píng)價(jià)信息顯示出來后，在下面Network界面的左側(cè)篩選框中輸入productPageComments，這時(shí)下面的加載記錄中只有一條信息，這里包含的就是商品詳情頁的商品評(píng)論信息。點(diǎn)擊這條信息，在右側(cè)的Preview界面中可以看到其中包含了當(dāng)前頁面中的評(píng)論信息。(抓取價(jià)格信息輸入prices)。

復(fù)制這條信息，并把URL地址放在瀏覽器中打開，里面包含了當(dāng)前頁的商品評(píng)論信息。這就是我們要抓取的URL地址。https://club.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98vv100&productId=10001234327&score=0&sortType=5&page=0&pageSize=10

仔細(xì)觀察這條URL地址可以發(fā)現(xiàn)，其中productId=10001234327是當(dāng)前商品的商品ID。與商品詳情頁URL中的ID一致。而page=0是頁碼。如果我們要獲取這個(gè)商品的所有評(píng)論，只需要更改page后面的數(shù)字即可。

在獲得了商品評(píng)論的真實(shí)地址以及URL地址的規(guī)律后，我們開始使用python抓取這件商品的700+條評(píng)論信息。并對(duì)這些信息進(jìn)行處理和分析。

開始前的準(zhǔn)備工作

在開始抓取之前先要導(dǎo)入各種庫文件，這里我們分別介紹下需要導(dǎo)入的每個(gè)庫文件的名稱以及在數(shù)據(jù)抓取和分析中的作用。requests用于進(jìn)行頁面抓取，time用于設(shè)置抓取過程中的Sleep時(shí)間，random用于生產(chǎn)隨機(jī)數(shù)，這里的作用是將抓取頁面的順序打亂，re用于在抓取后的頁面代碼中提取需要的信息，numpy用于常規(guī)的指標(biāo)計(jì)算，pandas用于進(jìn)行數(shù)據(jù)匯總和透視分析，matplotlib用于繪制各站圖表，jieba用于對(duì)評(píng)論內(nèi)容進(jìn)行分詞和關(guān)鍵詞提取。

#導(dǎo)入requests庫(請(qǐng)求和頁面抓取)
import requests
#導(dǎo)入time庫(設(shè)置抓取Sleep時(shí)間)
import time
#導(dǎo)入random庫(生成亂序隨機(jī)數(shù))
import random
#導(dǎo)入正則庫(從頁面代碼中提取信息)
import re
#導(dǎo)入數(shù)值計(jì)算庫(常規(guī)計(jì)算)
import numpy as np
#導(dǎo)入科學(xué)計(jì)算庫(拼表及各種分析匯總)
import pandas as pd
#導(dǎo)入繪制圖表庫(數(shù)據(jù)可視化)
import matplotlib.pyplot as plt
#導(dǎo)入結(jié)巴分詞庫(分詞)
import jieba as jb
#導(dǎo)入結(jié)巴分詞(關(guān)鍵詞提取)
import jieba.analyse

將爬蟲偽裝成瀏覽器

導(dǎo)入完庫文件后，還不能直接進(jìn)行抓取，因?yàn)檫@樣很容易被封。我們還需要對(duì)爬蟲進(jìn)行偽裝，是爬蟲看起來更像是來自瀏覽器的訪問。這里主要的兩個(gè)工作是設(shè)置請(qǐng)求中的頭文件信息以及設(shè)置Cookie的內(nèi)容。

頭文件信息很容易找到，在Chrome的開發(fā)者工具中選擇Network，刷新頁面后選擇Headers就可以看到本次訪問的頭文件信息，里面包含了一些瀏覽器的技術(shù)參數(shù)和引薦來源信息。將這些信息直接添加到代碼中就可以，這里我們將頭部信息保存在headers中。

#設(shè)置請(qǐng)求中頭文件的信息
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
'Accept':'text/html;q=0.9,*/*;q=0.8',
'Accept-Charset':'ISO-8859-1,utf-8;q=0.7,*;q=0.3',
'Connection':'close',
'Referer':'https://www.jd.com/'
}

在查看頭文件信息的旁邊還有一個(gè)Cookies標(biāo)簽，點(diǎn)擊進(jìn)去就是本次訪問的Cookies信息。這里的Cookies信息與前面頭文件中的Cookie信息一致，不過這里更加清晰。把Request Cookies信息復(fù)制到代碼中即可，這里我們將Request Cookies信息保存在Cookie中。

#設(shè)置Cookie的內(nèi)容
cookie={'TrackID':'1_VWwvLYiy1FUr7wSr6HHmHhadG8d1-Qv-TVaw8JwcFG4EksqyLyx1SO7O06_Y_XUCyQMksp3RVb2ezA',
'__jda':'122270672.1507607632.1423495705.1479785414.1479794553.92',
'__jdb':'122270672.1.1507607632|92.1479794553',
'__jdc':'122270672',
'__jdu':'1507607632',
'__jdv':'122270672|direct|-|none|-|1478747025001',
'areaId':'1',
'cn':'0',
'ipLoc-djd':'1-72-2799-0',
'ipLocation':'%u5317%u4EAC',
'mx':'0_X',
'rkv':'V0800',
'user-key':'216123d5-4ed3-47b0-9289-12345',
'xtest':'4657.553.d9798cdf31c02d86b8b81cc119d94836.b7a782741f667201b54880c925faec4b'}

抓取商品評(píng)論信息

設(shè)置完請(qǐng)求的頭文件和Cookie信息后，我們開始抓取京東商品評(píng)論的信息。前面分析URL的時(shí)候說過，URL中包含兩個(gè)重要的信息，一個(gè)是商品ID，另一個(gè)是頁碼。這里我們只抓取一個(gè)商品的評(píng)論信息，因此商品ID不需要更改。但這個(gè)商品的評(píng)論有700+條，也就是有近80頁需要抓取，因此頁碼不是一個(gè)固定值，需要在0-80之間變化。這里我們將URL分成兩部分，通過隨機(jī)生成頁碼然后拼接URL的方式進(jìn)行抓取。

#設(shè)置URL的第一部分
url1='https://sclub.jd.com/comment/productPageComments.action?productId=10001234327&amp;amp;score=0&amp;amp;sortType=3&amp;amp;page='
#設(shè)置URL的第二部分
url2='&amp;amp;pageSize=10&amp;amp;callback=fetchJSON_comment98vv41127'
#亂序輸出0-80的唯一隨機(jī)數(shù)
ran_num=random.sample(range(80), 80)

為了使抓取過程看起來更加隨機(jī)，我們沒有從第1頁一直抓取到第80頁。而是使用random生成0-80的唯一隨機(jī)數(shù)，也就是要抓取的頁碼編號(hào)。然后再將頁碼編號(hào)與兩部分URL進(jìn)行拼接。這里我們只知道商品有700+的評(píng)論，但并不知道具體數(shù)字，所以抓取范圍定位從0-80頁。

下面是具體的抓取過程，使用for循環(huán)每次從0-80的隨機(jī)數(shù)中找一個(gè)生成頁碼編號(hào)，與兩部分的URL進(jìn)行拼接。生成要抓取的URL地址并與前面設(shè)置好的頭文件信息和Cookie信息一起發(fā)送請(qǐng)求獲取頁面信息。將獲取到的頁面信息進(jìn)行匯總。每次請(qǐng)求間休息5秒針，避免過于頻繁的請(qǐng)求導(dǎo)致返回空值。

#拼接URL并亂序循環(huán)抓取頁面
for i in ran_num:
  a = ran_num[0]
  if i == a:
   i=str(i)
   url=(url1+i+url2)
   r=requests.get(url=url,headers=headers,cookies=cookie)
   html=r.content
  else:
   i=str(i)
   url=(url1+i+url2)
   r=requests.get(url=url,headers=headers,cookies=cookie)
   html2=r.content
   html = html + html2
  time.sleep(5)
  print("當(dāng)前抓取頁面:",url,"狀態(tài):",r)

在抓取的過程中輸入每一步抓取的頁面URL以及狀態(tài)。通過下面的截圖可以看到，在page參數(shù)后面的頁碼是隨機(jī)生成的并不連續(xù)。

抓取完80個(gè)頁面后，我們還需要對(duì)頁面進(jìn)行編碼。完成編碼后就可以看到其中所包含的中文評(píng)論信息了。后面大部分苦逼的工作就是要對(duì)這些評(píng)論信息進(jìn)行不斷提取和反復(fù)的清洗。

#對(duì)抓取的頁面進(jìn)行編碼
html=str(html, encoding = "GBK")

這里建議將抓取完的數(shù)據(jù)存儲(chǔ)在本地，后續(xù)工作可以直接從本地打開文件進(jìn)行清洗和分析工作。避免每次都要重新抓取數(shù)據(jù)。這里我們將數(shù)據(jù)保存在桌面的page.txt文件中。

#將編碼后的頁面輸出為txt文本存儲(chǔ)
file = open("c:\\Users \\Desktop\\page.txt", "w")
file.write(html)
file.close()

讀取文件也比較簡單，直接open加read函數(shù)就可以完成了。

#讀取存儲(chǔ)的txt文本文件
html = open('c:\\Users\\ Desktop\\page.txt', 'r').read()

提取信息并進(jìn)行數(shù)據(jù)清洗

京東的商品評(píng)論中包含了很多有用的信息，我們需要將這些信息從頁面代碼中提取出來，整理成數(shù)據(jù)表以便進(jìn)行后續(xù)的分析工作。這里應(yīng)該就是整個(gè)過程中最苦逼的數(shù)據(jù)提取和清洗工作了。我們使用正則對(duì)每個(gè)字段進(jìn)行提取。對(duì)于特殊的字段在通過替換等方式進(jìn)行提取和清洗。

下面是提取的第一個(gè)字段userClient，也就是用戶發(fā)布評(píng)論時(shí)所使用的設(shè)備類型，這類的字段提取還比較簡單，一行代碼搞定。查看一下提取出來的字段還比較干凈。使用同樣的方法我們分別提取了以下這些字段的內(nèi)容。

#使用正則提取userClient字段信息
userClient=re.findall(r',"usefulVoteCount".*?,"userClientShow":(.*?),',html)
#使用正則提取userLevel字段信息
userLevel=re.findall(r'"referenceImage".*?,"userLevelName":(.*?),',html)
#使用正則提取productColor字段信息
productColor=re.findall(r'"creationTime".*?,"productColor":(.*?),',html)
#使用正則提取recommend字段信息
recommend=re.findall(r'"creationTime".*?,"recommend":(.*?),',html)
#使用正則提取nickname字段信息
nickname=re.findall(r'"creationTime".*?,"nickname":(.*?),',html)
#使用正則提取userProvince字段信息
userProvince=re.findall(r'"referenceImage".*?,"userProvince":(.*?),',html)
#使用正則提取usefulVoteCount字段信息
usefulVoteCount=re.findall(r'"referenceImage".*?,"usefulVoteCount":(.*?),',html)
#使用正則提取days字段信息
days=re.findall(r'"usefulVoteCount".*?,"days":(.*?)}',html)
#使用正則提取score字段信息
score=re.findall(r'"referenceImage".*?,"score":(.*?),',html)</pre>

還有一些字段比較負(fù)責(zé)，無法通過正則一次提取出來，比如isMobile字段，有些值的后面還有大括號(hào)。這就需要進(jìn)一步的提取和清洗工作。

#使用正則提取isMobile字段信息
isMobile=re.findall(r'"usefulVoteCount".*?,"isMobile":(.*?),',html)

使用for循環(huán)配合替換功能將字段中所有的}替換為空。替換完成后字段看起來干凈多了。

#替換掉最后的}
mobile=[]
for m in isMobile:
 n=m.replace('}','')
 mobile.append(n)

productSize字段中包含了胸圍和杯罩兩類信息，為了獲得獨(dú)立的杯罩信息需要進(jìn)行二次提取，將杯罩信息單獨(dú)保存出來。

#使用正則提取productSize字段信息
productSize=re.findall(r'"creationTime".*?,"productSize":(.*?),',html)

使用for循環(huán)將productSize中的第三個(gè)字符杯罩信息提取出來，并保持在cup字段中。

#提取杯罩信息
cup=[]
for s in productSize:
  s1=s[3]
  cup.append(s1)

創(chuàng)建評(píng)論的日期信息僅依靠正則提取出來的信息還是比較亂，無法直接使用。因此也需要進(jìn)行二次提取。下面是使用正則提取出的結(jié)果。

#使用正則提取時(shí)間字段信息
creationTime1=re.findall(r'"creationTime":(.*?),"referenceName',html)

日期和時(shí)間信息處于前20個(gè)字符，在二次提取中根據(jù)這個(gè)規(guī)律直接提起每個(gè)條目的前20個(gè)字符即可。將日期和時(shí)間單獨(dú)保存為creationTime。

#提取日期和時(shí)間
creationTime=[]
for d in creationTime1:
  date=d[1:20]
  creationTime.append(date)

在上一步日期和時(shí)間的基礎(chǔ)上，我們?cè)龠M(jìn)一步提取出單獨(dú)的小時(shí)信息，方法與前面類似，提取日期時(shí)間中的第11和12個(gè)字符，就是小時(shí)的信息。提取完保存在hour字段以便后續(xù)的分析和匯總工作。

#提取小時(shí)信息
hour=[]
for h in creationTime:
  date=h[10:13]
  hour.append(date)

最后要提取的是評(píng)論內(nèi)容信息，頁面代碼中包含圖片的評(píng)論信息是重復(fù)的，因此在使用正則提取完后還需要對(duì)評(píng)論信息進(jìn)行去重。

#使用正則提取評(píng)論信息
content=re.findall(r'"guid".*?,"content":(.*?),',html)

使用if進(jìn)行判斷，排除掉所有包含圖片的評(píng)論信息，已達(dá)到評(píng)論去重的目的。

#對(duì)提取的評(píng)論信息進(jìn)行去重
content_1=[]
for i in content:
  if not "img" in i:
   content_1.append(i)

完成所有字段信息的提取和清洗后，將這些字段組合在一起生成京東商品評(píng)論數(shù)據(jù)匯總表。下面是創(chuàng)建數(shù)據(jù)表的代碼。數(shù)據(jù)表生成后還不能馬上使用，需要對(duì)字段進(jìn)行格式設(shè)置，例如時(shí)間和日期字段和一些包含數(shù)值的字段。具體的字段和格式設(shè)置依據(jù)后續(xù)的分析過程和目的。這里我們將creationTime設(shè)置為時(shí)間格式，并設(shè)置為數(shù)據(jù)表的索引列。將days字段設(shè)置為數(shù)值格式。

#將前面提取的各字段信息匯總為table數(shù)據(jù)表，以便后面分析
table=pd.DataFrame({'creationTime':creationTime,'hour':hour,'nickname':nickname,'productColor':productColor,'productSize':productSize,'cup':cup,'recommend':recommend,'mobile':mobile,'userClient':userClient,'userLevel':userLevel,'userProvince':userProvince,'usefulVoteCount':usefulVoteCount,'content_1':content_1,'days':days,'score':score})
#將creationTime字段更改為時(shí)間格式
table['creationTime']=pd.to_datetime(table['creationTime'])
#設(shè)置creationTime字段為索引列
table = table.set_index('creationTime')
#設(shè)置days字段為數(shù)值格式
table['days']=table['days'].astype(np.int64)
#查看整理完的數(shù)據(jù)表
table.head()

這里建議再次保存清洗和預(yù)處理完的數(shù)據(jù)表。我們這里將數(shù)據(jù)表保存為csv格式。到了這一步可以選擇在Excel中完成后續(xù)的數(shù)據(jù)分析和可視化過程，也可以繼續(xù)在python中完成。我們這里選擇繼續(xù)在python中完成后續(xù)的數(shù)據(jù)分析和可視化工作。

#保存table數(shù)據(jù)表
table.to_csv('jd_table.csv')

數(shù)據(jù)分析及可視化

分月評(píng)論數(shù)據(jù)變化趨勢

首先查看京東商品評(píng)論的時(shí)間變化趨勢情況，大部分用戶在購買商品后會(huì)在10天以內(nèi)進(jìn)行評(píng)論，因此我們可以近似的認(rèn)為在一個(gè)月的時(shí)間維度中評(píng)論時(shí)間的變化趨勢代表了用戶購買商品的變化趨勢。

按月的維度對(duì)數(shù)據(jù)表進(jìn)行匯總，并提取每個(gè)月的nickname的數(shù)量。下面是具體的代碼和分月數(shù)據(jù)。

#對(duì)數(shù)據(jù)表按月進(jìn)行匯總并生成新的月度匯總數(shù)據(jù)表
table_month=table.resample('M',how=len)
#提取按月匯總的nickname
month=table_month['nickname']

數(shù)據(jù)范圍從2015年11月到2016年11月。使用柱狀圖對(duì)分月數(shù)據(jù)進(jìn)行可視化。從圖表中可以看到2016年6月是評(píng)論的高峰，也可以近似的認(rèn)為這個(gè)時(shí)間段是用戶購買該商品的高峰(6月18日是京東店慶日)。排除2016年6月和不完整的11月數(shù)據(jù)，整齊趨勢中冬季評(píng)論量較低，夏季較高。這是由于該商品的季節(jié)屬性導(dǎo)致的，超薄胸罩更適合夏天佩戴(這個(gè)屬性我們是在用戶的評(píng)論中發(fā)現(xiàn)的，在京東的商品介紹中并不明顯，只在標(biāo)題中以”薄杯”說明)。

#繪制分月評(píng)論數(shù)量變化趨勢圖
plt.rc('font', family='STXihei', size=9)
a=np.array([1,2,3,4,5,6,7,8,9,10,11,12,13])
plt.bar([1,2,3,4,5,6,7,8,9,10,11,12,13],month,color='#99CC01',alpha=0.8,align='center',edgecolor='white')
plt.xlabel('月份')
plt.ylabel('評(píng)論數(shù)量')
plt.title('分月評(píng)論數(shù)量變化趨勢')
plt.legend(['評(píng)論數(shù)量'], loc='upper right')
plt.grid(color='#95a5a6',linestyle='--', linewidth=1,axis='y',alpha=0.4)
plt.xticks(a,('15-11','12','16-01','02','03','04','05','06','07','08','09','10','11'))
plt.show()

通過篩選將數(shù)據(jù)表分為使用移動(dòng)設(shè)備和未使用移動(dòng)設(shè)備兩個(gè)表格，再分別查看和對(duì)比評(píng)論變化趨勢。

#在table表中篩選使用移動(dòng)設(shè)備的條目并創(chuàng)建新表
mobile_t=table.loc[table["mobile"] == "true"]
#在table中篩選沒有使用移動(dòng)設(shè)備的條目并創(chuàng)建新表
mobile_f=table.loc[table["mobile"] == "false"]
#按月匯總使用移動(dòng)設(shè)備的數(shù)據(jù)
mobile_t_m=mobile_t.resample('M',how=len)
#按月匯總不使用移動(dòng)設(shè)備的數(shù)據(jù)
mobile_f_m=mobile_f.resample('M',how=len)
#提取使用移動(dòng)設(shè)備的按月匯總nickname
mobile_y=mobile_t_m['nickname']
#提取沒有使用移動(dòng)設(shè)備的按月匯總nickname
mobile_n=mobile_f_m['nickname']

從結(jié)果中可以看出使用移動(dòng)設(shè)備進(jìn)行評(píng)論的用戶在所有的時(shí)間段中都要明顯高于使用PC的用戶。

#繪制PC與移動(dòng)設(shè)備評(píng)論數(shù)量變化趨勢圖
plt.subplot(2, 1, 1)
plt.plot(mobile_y,'go',mobile_y,'g-',color='#99CC01',linewidth=3,markeredgewidth=3,markeredgecolor='#99CC01',alpha=0.8)
plt.ylabel('移動(dòng)設(shè)備評(píng)論數(shù)量')
plt.title('PC與移動(dòng)設(shè)備評(píng)論數(shù)量變化趨勢')
plt.subplot(2, 1, 2)
plt.plot(mobile_n,'go',mobile_n,'g-',color='#99CC01',linewidth=3,markeredgewidth=3,markeredgecolor='#99CC01',alpha=0.8)
plt.xlabel('月份')
plt.ylabel('PC評(píng)論數(shù)量')
plt.show()

24小時(shí)評(píng)論數(shù)量變化趨勢

按小時(shí)維度對(duì)評(píng)論數(shù)據(jù)進(jìn)行匯總，查看用戶在24小時(shí)中的評(píng)論變化趨勢。這里需要說明的是24小時(shí)趨勢只能反映用戶登錄京東商城的趨勢，并不能近似推斷用戶購買商品的時(shí)間趨勢。

#按24小時(shí)分別對(duì)table表中的nickname進(jìn)行計(jì)數(shù)
hour_group=table.groupby('hour')['nickname'].agg(len)

從24小時(shí)評(píng)論趨勢圖來看，發(fā)布商品評(píng)論的趨勢與作息時(shí)間一致，并且每日的閑暇時(shí)間是發(fā)布評(píng)論的高峰。如早上的8點(diǎn)，中午的12點(diǎn)和晚上的22點(diǎn)，是一天24小時(shí)中的三個(gè)評(píng)論高峰點(diǎn)。

#匯總24小時(shí)評(píng)論數(shù)量變化趨勢圖
plt.rc('font', family='STXihei', size=9)
a=np.array([1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23])
plt.bar([1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23],hour_group,color='#99CC01',alpha=0.8,align='center',edgecolor='white')
plt.xlabel('24小時(shí)')
plt.ylabel('評(píng)論數(shù)量')
plt.title('24小時(shí)評(píng)論數(shù)量變化趨勢')
plt.legend(['評(píng)論數(shù)量'], loc='upper right')
plt.grid(color='#95a5a6',linestyle='--', linewidth=1,axis='y',alpha=0.4)
plt.xticks(a,('0','1','2','3','4','5','6','7','8','9','10','11','12''13','14','15','16','17','18','19','20','21','22','23'))
plt.show()

將24小時(shí)的評(píng)論數(shù)量分為移動(dòng)設(shè)備和未使用移動(dòng)設(shè)備，查看并對(duì)比這兩者的變化趨勢情況。

#在使用移動(dòng)設(shè)備的表中按24小時(shí)對(duì)nickname進(jìn)行計(jì)數(shù)
mobile_y_h=mobile_t.groupby('hour')['nickname'].agg(len)
#在沒有使用移動(dòng)設(shè)備的表中按24小時(shí)對(duì)nickname進(jìn)行計(jì)算
mobile_n_h=mobile_f.groupby('hour')['nickname'].agg(len)

移動(dòng)設(shè)備的評(píng)論數(shù)量在24小時(shí)中的各個(gè)時(shí)間段都要高于PC的評(píng)論數(shù)量，并且在晚間更加活躍，持續(xù)時(shí)間高于PC端。這里我們產(chǎn)生了一個(gè)疑問，在一天中的工作時(shí)間段中，大部分用戶都會(huì)在電腦旁，但為什么這些時(shí)間段里移動(dòng)設(shè)備的評(píng)論數(shù)量也要高于PC端呢？這是否與胸罩這個(gè)產(chǎn)品的私密性有關(guān)聯(lián)。用戶不希望別人看到自己購買的商品或評(píng)論的內(nèi)容，所以選擇使用移動(dòng)設(shè)備進(jìn)行評(píng)論？

#匯總PC與移動(dòng)設(shè)備24小時(shí)評(píng)論數(shù)量變化趨勢
plt.subplot(2, 1, 1)
plt.plot(mobile_y_h,'go',mobile_y_h,'g-',color='#99CC01',linewidth=3,markeredgewidth=3,markeredgecolor='#99CC01',alpha=0.8)
plt.ylabel('移動(dòng)設(shè)備評(píng)論數(shù)量')
plt.title('PC與移動(dòng)設(shè)備24小時(shí)評(píng)論數(shù)量變化趨勢')
plt.subplot(2, 1, 2)
plt.plot(mobile_n_h,'go',mobile_n_h,'g-',color='#99CC01',linewidth=3,markeredgewidth=3,markeredgecolor='#99CC01',alpha=0.8)
plt.xlabel('24小時(shí)')
plt.ylabel('PC評(píng)論數(shù)量')
plt.show()

用戶客戶端分布情況

前面的分析中，我們看到使用移動(dòng)設(shè)備進(jìn)行評(píng)論的用戶要遠(yuǎn)高于PC端的用戶，下面我們對(duì)用戶所使用的設(shè)備分布情況進(jìn)行統(tǒng)計(jì)。首先在數(shù)據(jù)表中按用戶設(shè)備(userClient)對(duì)nickname字段進(jìn)行計(jì)數(shù)匯總。

#在table表中按userClient對(duì)數(shù)據(jù)進(jìn)行匯總
userClient_group=table.groupby('userClient')['nickname'].agg(len)

從用戶客戶端分布情況來看，移動(dòng)端的設(shè)備占大多數(shù)，其中使用iphone的用戶要高于Android用戶。由于微信購物和QQ購物單獨(dú)被分了出來，無法確定設(shè)備，因此單獨(dú)進(jìn)行對(duì)比。使用微信購物渠道的用戶要高于QQ購物。

#匯總用戶客戶端分布情況
plt.rc('font', family='STXihei', size=9)
a=np.array([1,2,3,4,5,6])
plt.bar([1,2,3,4,5,6],userClient_group,color='#99CC01',alpha=0.8,align='center',edgecolor='white')
plt.xlabel('客戶端分布')
plt.ylabel('評(píng)論數(shù)量')
plt.title('用戶客戶端分布情況')
plt.legend(['評(píng)論數(shù)量'], loc='upper right')
plt.grid(color='#95a5a6',linestyle='--', linewidth=1,axis='y',alpha=0.4)
plt.ylim(0,300)
plt.xticks(a,('PC','Android','iPad','iPhone','微信購物','QQ購物'))
plt.show()

購買后評(píng)論天數(shù)分布

在購買后評(píng)論天數(shù)方面，我們將用戶發(fā)布評(píng)論與購買的時(shí)間間隔分為7組，分別為購買后1-5天內(nèi)，5-10天內(nèi)，10-15天內(nèi)，15-20天內(nèi)，20-25天內(nèi)，25-30天內(nèi)，以及大于30天。然后統(tǒng)計(jì)并對(duì)比用戶在不同時(shí)間區(qū)間內(nèi)發(fā)布評(píng)論的數(shù)量情況。

#設(shè)置分組條件，并對(duì)table表中的days字段進(jìn)行分組
bins = [0, 5, 10, 15, 20, 25, 30, 92]
day_group = ['5天', '10天', '15天', '20天', '25天','30天','大于30天']
table['day_group'] = pd.cut(table['days'], bins, labels=day_group)
#按新設(shè)置的分組對(duì)數(shù)據(jù)進(jìn)行匯總
days_group=table.groupby('day_group')['nickname'].agg(len)

從圖表中看出，購買后5天以內(nèi)是用戶發(fā)布評(píng)論的高峰，也就我們之前推測評(píng)論時(shí)間趨勢近似于購買時(shí)間的依據(jù)。隨著時(shí)間的增加評(píng)論數(shù)量逐漸下降。

#繪制用戶購買后評(píng)論天數(shù)分布圖
plt.rc('font', family='STXihei', size=9)
a=np.array([1,2,3,4,5,6,7])
plt.bar([1,2,3,4,5,6,7],days_group,color='#99CC01',alpha=0.8,align='center',edgecolor='white')
plt.xlabel('購買后天數(shù)')
plt.ylabel('發(fā)布評(píng)論數(shù)量')
plt.title('購買后評(píng)論天數(shù)分布')
plt.legend(['評(píng)論數(shù)量'], loc='upper right')
plt.grid(color='#95a5a6',linestyle='--', linewidth=1,axis='y',alpha=0.4)
plt.ylim(0,300)
plt.xticks(a,('5天','10天','15天','20天','25天','30天','大于30天'))
plt.show()

商品評(píng)分分布情況

京東商城對(duì)商品按5星評(píng)分劃分為好評(píng)，中評(píng)和差評(píng)三個(gè)等級(jí)。我們這里來看下用戶5星評(píng)分的分布情況。在數(shù)據(jù)表中score字段中的值表示了用戶對(duì)胸罩產(chǎn)品的打分情況。我們按打分情況對(duì)數(shù)據(jù)進(jìn)行匯總。

#在table表中按score對(duì)數(shù)據(jù)進(jìn)行匯總
score_group=table.groupby('score')['nickname'].agg(len)
#繪制用戶評(píng)分分布情況圖
plt.rc('font', family='STXihei', size=9)
a=np.array([1,2,3,4,5])
plt.bar([1,2,3,4,5],score_group,color='#99CC01',alpha=0.8,align='center',edgecolor='white')
plt.xlabel('評(píng)分分布')
plt.ylabel('評(píng)論數(shù)量')
plt.title('用戶評(píng)分分布情況')
plt.legend(['評(píng)論數(shù)量'], loc='best')
plt.grid(color='#95a5a6',linestyle='--', linewidth=1,axis='y',alpha=0.4)
plt.ylim(0,700)
plt.xticks(a,('1星','2星','3星','4星','5星'))
plt.show()

從圖表中可以看出，大部分用戶對(duì)商品的評(píng)分是5星。4星以下的幾乎沒有。但從另一個(gè)維度來看，在用戶對(duì)最有用評(píng)論的投票(usefulVoteCount)中得票最多的是一個(gè)1星的評(píng)論。

用戶胸罩尺碼分布情況

在胸罩的尺寸方面包含兩個(gè)信息，一個(gè)是胸圍尺寸，另一個(gè)是罩杯。我們?cè)谇懊娴那逑催^程中對(duì)杯罩創(chuàng)建了單獨(dú)的字段。下面只對(duì)這個(gè)字段進(jìn)行匯總統(tǒng)計(jì)。

#在table 表中按cup對(duì)數(shù)據(jù)進(jìn)行匯總
cup_group=table.groupby('cup')['nickname'].agg(len)

從圖表中可以看出，評(píng)論用戶中最多的是B杯罩，其次為C杯罩，D和E的用戶數(shù)量較少。

#繪制用戶胸罩尺碼分布圖
plt.rc('font', family='STXihei', size=9)
a=np.array([1,2,3,4])
plt.bar([1,2,3,4],cup_group,color='#99CC01',alpha=0.8,align='center',edgecolor='white')
plt.xlabel('尺碼')
plt.ylabel('評(píng)論數(shù)量')
plt.title('用戶胸罩尺碼分布情況')
plt.legend(['評(píng)論數(shù)量'], loc='upper right')
plt.grid(color='#95a5a6',linestyle='--', linewidth=1,axis='y',alpha=0.4)
plt.ylim(0,350)
plt.xticks(a,('B','C','D','E'))
plt.show()

胸罩顏色偏好分布

這款胸罩共分為三個(gè)顏色，紅色，膚色和黑色。我們按顏色對(duì)評(píng)論數(shù)據(jù)進(jìn)行匯總，查看用戶對(duì)不同胸罩顏色的偏好情況。

#在table表中按productColor對(duì)數(shù)據(jù)進(jìn)行匯總
color_group=table.groupby('productColor')['nickname'].agg(len)

從不同顏色的評(píng)論數(shù)量上來看，大部分用戶購買的是膚色，購買紅色和黑色的用戶數(shù)量明顯少于膚色。

#繪制用戶顏色選擇分布圖
plt.rc('font', family='STXihei', size=9)
a=np.array([1,2,3])
plt.bar([1,2,3],color_group,color='#99CC01',alpha=0.8,align='center',edgecolor='white')
plt.xlabel('顏色分布')
plt.ylabel('評(píng)論數(shù)量')
plt.title('用戶顏色選擇分布')
plt.legend(['評(píng)論數(shù)量'], loc='upper right')
plt.grid(color='#95a5a6',linestyle='--', linewidth=1,axis='y',alpha=0.4)
plt.ylim(0,600)
plt.xticks(a,('紅色','膚色','黑色'))
plt.show()

不同尺碼用戶對(duì)胸罩顏色偏好對(duì)比

在前面杯罩尺寸和顏色偏好的基礎(chǔ)上，我們將兩維度進(jìn)行交叉分析，查看并對(duì)比不同杯罩尺碼用戶在顏色選擇上是有規(guī)律或明顯差異。這里使用數(shù)據(jù)透視表，將杯罩尺寸設(shè)置為行，顏色設(shè)置為列，對(duì)nickname進(jìn)行計(jì)數(shù)。

#使用數(shù)據(jù)透視表對(duì)胸罩尺碼和顏色進(jìn)行交叉分析
color_size=pd.pivot_table(table,index=["cup"],values=["nickname"],columns=["productColor"],aggfunc=len,fill_value=0)

從數(shù)據(jù)透視表中分別提取出不同尺寸杯罩用戶購買的顏色數(shù)據(jù)。

#提取B,C,D,E尺碼的顏色分布
b=color_size.ix['B']
c=color_size.ix['C']
d=color_size.ix['D']
e=color_size.ix['E']

將不同杯罩尺寸用戶對(duì)顏色的選擇分布繪制成四個(gè)圖表，進(jìn)行對(duì)比和分析。

#匯總不同胸罩尺碼顏色分布圖
plt.rc('font', family='STXihei', size=9)
plt.subplot(2, 2, 1)
plt.bar([1,2,3],b,color=["#EE9788","#E2D4C9","#151419"],alpha=0.8,align='center',edgecolor='white')
plt.title('B Cup')
plt.xticks(a,('紅色','膚色','黑色'))
plt.subplot(2, 2, 2)
plt.bar([1,2,3],c,color=["#EE9788","#E2D4C9","#151419"],alpha=0.8,align='center',edgecolor='white')
plt.title('C Cup')
plt.ylim(0,200)
plt.xticks(a,('紅色','膚色','黑色'))
plt.subplot(2, 2, 3)
plt.bar([1,2,3],d,color=["#EE9788","#E2D4C9","#151419"],alpha=0.8,align='center',edgecolor='white')
plt.title('D Cup')
plt.xticks(a,('紅色','膚色','黑色'))
plt.subplot(2, 2, 4)
plt.bar([1,2,3],e,color=["#EE9788","#E2D4C9","#151419"],alpha=0.8,align='center',edgecolor='white')
plt.title('E,Cup')
plt.xticks(a,('紅色','膚色','黑色'))
plt.show()

在下面的圖表中，B,C,D,E四個(gè)杯罩的用戶選擇膚色的數(shù)量都要高于另外兩種顏色。整體差別并不明顯。如果非要說有什么差別的話，C杯罩用戶更偏好紅色？D杯罩更喜歡黑色？這個(gè)結(jié)論明顯站不住腳。但有一點(diǎn)可以說，雖然黑色顯瘦但E杯罩的用戶中沒有人選擇黑色。

D&E Cup用戶城市分布情況

最后我們?cè)倏纯聪翫杯罩和E杯罩用戶的城市分布情況，在數(shù)據(jù)表中并不是所有的評(píng)論都有城市信息。因此按城市統(tǒng)計(jì)出來的數(shù)據(jù)可能并不準(zhǔn)確，僅供參考。

首先從數(shù)據(jù)表中篩選出cup值為D和E的數(shù)據(jù)，并保存在新的數(shù)據(jù)表中。

#從table表中提取cup尺寸為D或E的數(shù)據(jù)條目并創(chuàng)建新表
table_big=table.loc[(table["cup"] == "D")|(table["cup"] == "E")]

在新的數(shù)據(jù)表中按用戶所在城市(userProvince)進(jìn)行匯總。查看不同城市D和E杯罩的數(shù)量。

#按城市對(duì)數(shù)據(jù)進(jìn)行計(jì)數(shù)匯總
city_group=table_big.groupby('userProvince')['nickname'].agg(len)

將匯總結(jié)果繪制為圖表，從圖表來看，數(shù)量最多的為未知城市，排除未知城市，北京和廣東的數(shù)量遙遙領(lǐng)先，其次為四川和河南。

#匯總D和E Cup城市分布圖
plt.rc('font', family='STXihei', size=9)
a=np.array([1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24])
plt.barh([1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24],city_group,color='#99CC01',alpha=0.8,align='center',edgecolor='white')
plt.xlabel('評(píng)論數(shù)量')
plt.ylabel('城市')
plt.title('D Cup和E Cup城市分布')
plt.legend(['評(píng)論數(shù)量'], loc='upper right')
plt.grid(color='#95a5a6',linestyle='--', linewidth=1,axis='x',alpha=0.4)
plt.yticks(a,('未知','上海','云南','內(nèi)蒙古','北京','四川','天津','寧夏','安徽','山東','廣東','江西','江蘇','江西','河北','河南','浙江','湖北','湖南','甘肅','福建','遼寧','重慶','青海','香港'))
plt.show()

胸罩評(píng)論內(nèi)容語義分析

前面我們分別對(duì)數(shù)據(jù)表中的字段進(jìn)行了統(tǒng)計(jì)和分析，文章最后我們對(duì)商品的評(píng)論內(nèi)容進(jìn)行語義分析，看看大家在這700+條評(píng)論中都在說些什么。

好好先生購買比例

在人工查看了一些評(píng)論內(nèi)容后，我們發(fā)現(xiàn)一些有意思的信息。有一部分評(píng)論是老公或男朋友發(fā)的，這說明一些好好先生會(huì)幫老婆或女友購買胸罩。那么這部分用戶的比例有多少呢？

我們把評(píng)論中包含有關(guān)鍵詞“老婆”和“女朋友”的評(píng)論單獨(dú)保存在出來。

#篩選包含”老婆”和”女朋友”的評(píng)論
content_2=[]
for i in content_1:
  if "老婆"in i or "女朋友"in i:
   content_2.append(i)

查看這些包含關(guān)鍵詞的評(píng)論內(nèi)容，確實(shí)是老公和男朋友來購買胸罩并且發(fā)布的評(píng)論。

#查看評(píng)論內(nèi)容
content_2

經(jīng)過計(jì)算，在這款胸罩產(chǎn)品的評(píng)論中，由老公或男朋友購買的比例僅為2.35%。

#計(jì)算老公或男朋友購買胸罩的比例
len(content_2)/len(content_1)*100
2.3545706371191137

商品評(píng)論關(guān)鍵詞分析

回歸到商品評(píng)論分析，我們使用結(jié)巴分詞對(duì)所有胸罩的評(píng)論信息進(jìn)行了分詞，并提取了權(quán)重最高的關(guān)鍵詞列表。

#文本數(shù)據(jù)格式轉(zhuǎn)換
word_str = ''.join(content_1)
#提取文字關(guān)鍵詞
word_rank=jieba.analyse.extract_tags(word_str, topK=20, withWeight=True, allowPOS=())
#轉(zhuǎn)化為數(shù)據(jù)表
word_rank = pd.DataFrame(word_rank,columns=['word','rank'])
#查看關(guān)鍵詞及權(quán)重
word_rank.sort('rank',ascending=False)

從高權(quán)重關(guān)鍵詞列表來看，用戶評(píng)論以正面信息為主，”不錯(cuò)”，”舒服”，”喜歡”等主觀感受的正面評(píng)論權(quán)重較高。

結(jié)語

本篇文章我們從商品評(píng)論信息的抓取，清洗到分析和數(shù)據(jù)可視化實(shí)現(xiàn)了一個(gè)完整的閉環(huán)。整個(gè)過程中數(shù)據(jù)的清洗和預(yù)處理是最為復(fù)雜也是耗時(shí)最多的工作。由于抓取的數(shù)據(jù)量較少，只有700+條數(shù)據(jù)。因此里面的一些結(jié)論可能沒有代表性，結(jié)論也未必準(zhǔn)確，僅供參考。

您可能感興趣的文章: