新手快看！python爬取数据 数据分析，有这一篇就够啦

推荐用Jupyter

爬取二手车之家的部分数据

# 爬取二手车网站的数据 #Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库 from bs4 import BeautifulSoup # 用于网络请求 import urllib.request #操作csv文件 import csv #指定编码 import codecs #添加newline可以避免一行之后的空格,这样需要在python3环境下运行 csvfile= open(r'D:\360MoveData\Users\lenovo\Desktop\爬取演示.csv', 'w' , newline='',encoding='gb18030') #指定逗号作为分隔符，并且指定quote方式为引用。这意味着读的时候都认为内容是被默认引用符(')包围的 writer=csv.writer(csvfile,delimiter=',',quoting = csv.QUOTE_ALL) keys=['车型','信息','价格'] writer.writerow(keys) for page in range(2,100): # 目标网址 # url = 'http://www.che168.com/china/a0_0msdgscncgpi1lto8cspexx0/#pvareaid=106289' url = 'http://www.che168.com/china/a0_0msdgscncgpi1lto8csp'+str(page)+'exx0/?pvareaid=102179#currengpostion' # 发送请求 # urllib.request 是一个用于获取 URL （统一资源定位地址）的 Python 模块 f=urllib.request.urlopen(url) resp=f.read() # print(resp) # 203 # 网页源代码 (文本显示) # print(resp.text) # 用BeautifulSoup解析数据 python3 必须传入参数二'html.parser' 得到一个对象，接下来获取对象的相关属性 html = BeautifulSoup(resp, 'html.parser') #解析返回的数据 lis=html.findAll(class_='cards-li list-photo-li') for li in lis: carType=li.h4.text carInfo=li.p.text carPrice=li.s.text print(carType) print(carInfo) print(carPrice) oneCar=[carType,carInfo,carPrice] writer.writerow(oneCar) csvfile.close()

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49

爬取出来的csv文件用excel打开就是这样的

数据分析
原始数据
数据清洗：填充或删除缺失数据，删除重复值，数据类型转换，字符串处理，删掉异常数据，数据替换
数据分析
数据结论

进行数据分析

准备工作

#as  别名
import numpy as np
#处理csv的文件
import pandas as pd
#数据分析，画图的库
import matplotlib.pyplot as plt
#可视化工具
import seaborn as sns

#解决中文问题  matplotlib.pypolt不支持中文
plt.rcParams['font.sans-serif']=['SimHei']
#解决负号显示
plt.rcParams['axes.unicode_minus']=False
#%matplotlb inline #plt.show   直接显示生产的图表 在这个文档写的代码就不用加了
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
import pandas as pd #原始数据 #加r和不加''r是有区别的 \t 相当于按了tab键 #'r'是防止字符转义的 如果路径中出现'\t'的话 不加r的话\t就会被转义 而加了'r'之后'\t'就能保留原有的样子 #另外；字符串赋值的时候 前面加'r'可以防止字符串在使用的时候不被转义 原理是在转义字符前加'\' #UnicodeDecodeError: 'utf-8' codec can't decode byte 0xb3 in position 0: invalid start byte pd.set_option('display.max_rows',None) data=pd.read_csv(r'D:\360MoveData\Users\lenovo\Desktop\课堂演示.csv',encoding='gb18030') data

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11

这就是刚刚爬取的数据，舒服，一下出来数据，笔者卡了好久

#数据清洗 删除价格为NaN类型的数据
data.drop([8,48,54],inplace=True) #参数1  删除的行号   参数2  表示在原始数据上删除
data #再打印一下数据

#删除原价为 NaN 缺失值的数据
data.dropna(subset=['价格'],inplace=True)
#删除价格为 已涨价xx元  已降价xx元的数据
data=data[ ~data['价格'].str.contains('已')]  #删除某列包含特殊字符的行
data
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9


值为NaN的值就删了，大数据处理，忽略小细节

data.head(10) #默认5行，这里显示10行

  • 1
  • 1
#缺失值  检测当前的数据有没有缺失值
data.isnull()
print('当前缺失值为')
(data.isnull()).sum()
  • 1
  • 2
  • 3
  • 4
  • 1
  • 2
  • 3
  • 4
#重复值的检测 data.duplicated()

  • 1
  • 2
  • 1
  • 2
#重复值数目
data.duplicated().sum()
  • 1
  • 2
  • 1
  • 2


后面的参数代表，在本对象上删除，不是形式上的删除

#删除重复值 data.drop_duplicates(inplace=True)

  • 1
  • 2
  • 1
  • 2
#查看剩余所有数据的个数
len(data)
  • 1
  • 2
  • 1
  • 2
#查看列名为 价格 的列包含 万 的数据的个数 data.价格.str.contains('万').sum()

  • 1
  • 2
  • 1
  • 2
# 字符串处理
# 把价格 列 的数据封装到map里一次执行这个替换方法 如16.77万转换成16.77 再通过float转换成浮点数据
data['价格']=data.价格.map(lambda x:float(x.replace('万','')))
data.head(10)
  • 1
  • 2
  • 3
  • 4
  • 1
  • 2
  • 3
  • 4
#按价格升序 data.sort_values('价格')

  • 1
  • 2
  • 1
  • 2
#按价格降序
data.sort_values('价格',ascending=False)
  • 1
  • 2
  • 1
  • 2

数据分析

价格的分析

#定义分类标准 分析各区间的数据 bins=[0,30,60,90,120,150,180] pd.cut(data.价格,bins).value_counts()

  • 1
  • 2
  • 3
  • 1
  • 2
  • 3
#画成直方图
pd.cut(data.价格,bins).value_counts().plot.bar()
  • 1
  • 2
  • 1
  • 2
#画成直方图 rot 把x轴的数据进行旋转 ，如旋转水平角度为0度 pd.cut(data.价格,bins).value_counts().plot.bar(rot=0)

  • 1
  • 2
  • 1
  • 2
#直方图，x轴水平，并加上标题
pd.cut(data.价格,bins).value_counts().plot.bar(rot=0,title='价格分析')
  • 1
  • 2
  • 1
  • 2

品牌的分析

data['车型']=data.车型.map(lambda x:x.split(' ')[0]) data

  • 1
  • 2
  • 1
  • 2
data.车型.value_counts()
  • 1
  • 1
#根据前十个画直方图 data.车型.value_counts()[:10].plot.barh()

  • 1
  • 2
  • 1
  • 2
#分组   对所以车辆按地点分组 显示该组的平均价格
data.groupby(['车型'])['价格'].mean()
  • 1
  • 2
  • 1
  • 2
# 类型转换 #data['列名']=data.列名.map(lambda x:目标数据类型(x)) #重新排列索引，并删除原索引 data=data.reset_index(drop=True) data

  • 1
  • 2
  • 3
  • 4
  • 5
  • 1
  • 2
  • 3
  • 4
  • 5
top10=['宝马5系','奔驰C级','宝马3系','奥迪A4L','宝来','高尔夫','天籁','轩逸','宝马X1','标致307']
top10
  • 1
  • 2
  • 1
  • 2

饼图

top10=['宝马5系','奔驰C级','宝马3系','奥迪A4L','宝来','高尔夫','天籁','轩逸','宝马X1','标致307'] data_top10=data[data['车型'].isin(top10)] print('Top10车型占总车型的比例: %.2f%%'%((data_top10.shape[0]/data.shape[0])*100)) #画饼图 plt.axes(aspect='equal') #将横轴，纵轴坐标标准化处理，保证饼图是一个正圆，否则为椭圆 plt.pie(data_top10['车型'].value_counts(),explode=[0.2,0.2,0.2,0,0,0,0,0,0,0],startangle=0,labels=top10,autopct='%.2f%%',radius=2) # radus半径

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

这里。很容易出错，因为数据是动态获取，前十的车型可能会变，如何把上面的前十数据获取到一个动态的数组里，笔者也不知道。
尽力了。

别问我参数，我也不知道，，，也许有人会问

这些数据怎么不分开，我也不会，，我知道用正则，分割其他还好，但一遇到 / 怎么分都不行，去班群里问也没人回我，5555
看了的感觉有用的小伙伴点个赞哈，小胖谢过。

赞 (0)

相关推荐