【产品分析】战斗民族电子商务平台OZON-美妆类目采集分析分析_ozon 彩妆

文末有福利领取哦~

👉一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉二、Python必备开发工具

👉三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉 四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（文末领读者福利）

👉五、Python练习题

检查学习结果。

👉六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

👉因篇幅有限，仅展示部分资料，这份完整版的Python全套学习资料已经上传

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

with sync_playwright() as p:
    browser = p.chromium.launch(headless=False, proxy={'server': 'http://127.0.0.1:58889'})
    context = browser.new_context()
    cookies = []
    for p in range(1, 100):
        try:
            page = context.new_page()
            page.route(re.compile(r"(\.png)|(\.jpg)|(\.js)"), cancel_request)
            context.add_cookies(cookies)
            print(p)
            page.goto(f"https://www.ozon.ru/category/makiyazh-6501/?page={p}")
            web_html = page.content()

            selector = etree.HTML(web_html)
            data = selector.xpath('//div[@id="state-searchResultsV2-252189-default-1"]/@data-state')[0]
            data = json.loads(data)

元数据展示

采集数据量查看

df.shape

国外站点好多都没有按销量排序，该网站也不例外！
本次共采集了100页彩妆的热门推荐商品,采集商品数量为3211款；

数据清洗

数据清洗很重要，这个对于我们后续做可视化展示，极其重要。因此我们需要根据后面要做的图形，然后进行对应的进行数据清洗。

元数据整个数据看上去算是比较干净，但是还是有几个地方指的我们处理一下。
1、解析返回的元数据，抽出需要的字段；
2、处理价格乱码，替换卢比标志；
3、匹配店铺名称，抽取有用的字符串；
4、将打分人数为空的记录，替换成0人打分；
5、将标题一样的做去重；

数据清洗部分代码如下：

df = df.drop_duplicates('title')
df['current\_price'] = df['current\_price'].apply(lambda x:int(x.replace('\u2009','').replace('₽','')))
df['original\_price'] = df['original\_price'].apply(lambda x:int(x.replace('\u2009','').replace('₽','')))
df = df.fillna(0)

现在来看看，清洗后的数据是啥样的？

本次采集是根据平台的受欢迎产品来排序采集的，采集结果重复的占比较高，去重后商品为2085款；

数据可视化展示

可视化是整个文章的亮点所在，所谓“字不如表、表不如图”。整个可视化大屏我们基于以下五个问题开展而来。

• 评价数量Top10的美妆柱形图；
• 评价数量Top10的店铺柱形图；
• 不同价格区间的美妆评价数圆环图；
• 美妆销售关键字的词云图；

1. 评价数量Top10的美妆柱形图；

from cutecharts.charts import Bar
from cutecharts.components import Page

def bar\_base() -> Bar:
    chart = Bar("评价数量Top10的商品柱形图",width="1000px",height="800px")
    chart.set_options(labels=labels, x_label="商品名", y_label="评价人数")
    chart.add_series("series-A", value)
    return chart

bar_base().render_notebook()

结论：
销量Top10的美妆，其实对于我们做产品还是挺有指导意义的。从图中可以看到这个VivienneSabo，在国外卖的还是极其好的，销量排名前10的产品中，VivienneSabo品牌的产品占据了7个位置。还有一个名字特别熟悉：妮维雅，只知道他家的洗面奶做的好，原来唇膏做的也不错，所以说品牌效应还是很好的。国产美妆也在塑造自身品牌的同时寻求出海机遇！

2. 评价数量Top10的店铺柱形图；

毋庸置疑，ozon自营的产品遥遥领先。可能是因为ozon起初以自营为主，是近几年采开始转向跨境电商和第三方平台的原因。

3. 不同价格区间的美妆圆环图

from cutecharts.charts import Pie
from cutecharts.components import Page
bins=[0,200,300,500,1000,2000,10000000]
# 按分段离散化数据
segments=pd.cut(df['current\_price'],bins,right=False)
# 统计各分段人数
counts=pd.value_counts(segments,sort=False)
label = [
        "200卢币以下",
        "200-300卢币",
        "300-500卢币",
        "500-1000卢币",
        "1000-2000卢币",
        "2000卢币以上"
]

def pie\_base() -> Pie:
    chart = Pie("不同价格区间的美妆圆环图")
    chart.set_options(labels=label)
    chart.add_series(list(counts.to_dict().values()))
    return chart

pie_base().render_notebook()

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！