数据分析：当当网书籍数据可视化分析

最新推荐文章于 2024-04-26 03:23:26 发布
最新推荐文章于 2024-04-26 03:23:26 发布
阅读量5.7k 收藏 82
点赞数 41
分类专栏： 数据可视化分析 文章标签： 信息可视化 数据分析 数据挖掘
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/AOAIYI/article/details/136028346
版权

在这里插入图片描述

当当网书籍数据可视化分析

作者：i阿极

作者简介：Python领域新星作者、多项比赛获奖者：博主个人首页

😊😊😊如果觉得文章不错或能帮助到你学习，可以点赞👍收藏📁评论📒+关注哦！👍👍👍

📜📜📜如果有小伙伴需要数据集和学习交流，文章下方有交流学习区！一起学习进步！💪

专栏案例：《数据可视化分析》
数据分析：某电商优惠卷数据分析
数据分析：旅游景点销售门票和消费情况分析
数据分析：消费者数据分析
数据分析：餐厅订单数据分析
数据分析：基于随机森林(RFC)对酒店预订分析预测
数据分析：基于K-近邻(KNN)对Pima人糖尿病预测分析
数据分析：麦当劳食品营养数据探索并可视化

文章目录

1、前言

随着互联网的快速发展，电子商务行业在中国经历了爆炸式的增长。作为国内知名的在线购物平台，当当网在其中发挥了举足轻重的作用。为了更好地满足消费者的需求，优化用户体验，提高运营效率，数据分析成为了当当网运营过程中不可或缺的一环。

数据分析在电子商务中扮演着至关重要的角色。通过对大量数据的挖掘和分析，企业可以洞察市场趋势，了解用户行为，优化产品布局，制定营销策略等。当当网的数据分析流程旨在从海量数据中提取有价值的信息，为公司的决策提供数据支持。

2、导入模块

import pandas as pd
from pyecharts.charts import *
from pyecharts.globals import ThemeType
from pyecharts.commons.utils import JsCode
import pyecharts.options as opts

import pandas as pd: 导入pandas库，并给它一个简短的别名pd。pandas是一个用于数据处理和分析的强大库。
from pyecharts.charts import *: 从pyecharts库的charts模块导入所有内容。pyecharts是一个用于生成Echarts图表的Python库。
from pyecharts.globals import ThemeType: 从pyecharts库的globals模块导入ThemeType。这可能用于设置图表的默认主题。
from pyecharts.commons.utils import JsCode: 从pyecharts库的commons.utils模块导入JsCode。这可能是一个用于与JavaScript代码交互的工具。
import pyecharts.options as opts: 从pyecharts库导入其选项模块，并给它一个简短的别名opts。这可能用于配置图表的选项和参数。
这段代码主要用于数据分析和可视化的目的，特别是使用Echarts图表库来生成和配置图表。

3、导入数据

df = pd.read_csv('.\书籍信息.csv')
df.head()

在这里插入图片描述

4、数据预处理

4.1、数据处理

从DataFrame的’标题’列中提取书名（不包括括号及其内容），并将结果存储在新列’书名’中，然后显示这个处理过的DataFrame的前五行。

df['书名'] = df['标题'].apply(lambda x:x.split('（')[0])
df.head()

在这里插入图片描述

从DataFrame的’标题’列中提取书籍简介（括号及其内容），并将结果存储在新列’书籍简介’中，然后将缺失的值替换为’无’，最后显示这个处理过的DataFrame的第一行。

df['书籍简介'] = df['标题'].str.extract('.*?（(.*?)）')
df['书籍简介'].fillna('无', inplace=True)
df.head(1)

在这里插入图片描述

4.2、提取评论数

从DataFrame的’评价’列中提取评论数（去掉’条评论’），并将结果存储在新列’评论数’中，然后显示这个处理过的DataFrame的第一行。

df['评论数'] = df['评价'].str.replace('条评论','').astype('int64')
df.head(1)

在这里插入图片描述

4.3、原价、售价、电子书价格 数值化

从DataFrame的’原价’、'售价’和’电子书价格’列中删除所有的’¥’字符，然后显示这个处理过的DataFrame的第一行。

df['原价'] = df['原价'].str.replace('¥', '')
df['售价'] = df['售价'].str.replace('¥', '')
df['电子书价格'] = df['电子书价格'].str.replace('¥', '')
df.head(1)

在这里插入图片描述

df.info()

在这里插入图片描述

从DataFrame的’原价’和’售价’列中删除所有的’,'字符，并将这两列从字符串转换为浮点数

df['原价'] = df['原价'].str.replace(',', '').astype('float64')
df['售价'] = df['售价'].str.replace(',', '').astype('float64')

4.4、选择需要用到的列

df = df[['书名','书籍简介','评论数','作者','出版日期','出版社','原价','售价','电子书价格']]
df.head(1)

在这里插入图片描述

4.5、缺失值

df.isnull().sum()

在这里插入图片描述

df['作者'].fillna('未知', inplace=True)
df['出版社'].fillna('未知', inplace=True)

df.isnull().sum()

在这里插入图片描述

4.6、电子书价格列额外处理

df['电子书价格'] = df['电子书价格'].str.replace(',', '').astype('float64')
df['电子书价格'].fillna('无电子书版本', inplace=True)

4.7、重复值

计算DataFrame df中的重复行数。

df.duplicated().sum()

输出：

0

df.info()

在这里插入图片描述

生成描述性统计信息

df.describe()

在这里插入图片描述

5、数据可视化

5.1、书籍总体价格区间

这个函数tranform_price根据输入的价格值，返回一个描述价格范围的字符串。如果价格小于或等于50元，返回’050元’；如果价格在50到100元之间，返回’51100元’；以此类推，如果价格大于1000元，返回’1000以上’。

def tranform_price(x):
    if x <= 50.0:
        return '0~50元'
    elif x <= 100.0:
        return '51~100元'
    elif x <= 500.0:
        return '101~500元'
    elif x <= 1000.0:
        return '501~1000元'
    else:
        return '1000以上'

将DataFrame df中的’原价’列转换为’价格分级’列，并统计每个价格分级的出现次数。

df['价格分级'] = df['原价'].apply(lambda x:tranform_price(x))
price_1 = df['价格分级'].value_counts()
datas_pair_1 = [(i, int(j)) for i, j in zip(price_1.index, price_1.values)]

这段代码将DataFrame df中的’售价’列转换为’售价价格分级’列，并统计每个售价价格分级的出现次数。结果存储在price_2和datas_pair_2中。

df['售价价格分级'] = df['售价'].apply(lambda x:tranform_price(x))
price_2 = df['售价价格分级'].value_counts()
datas_pair_2 = [(i, int(j)) for i, j in zip(price_2.index, price_2.values)]

pie1 = (
    Pie(init_opts=opts.InitOpts(theme='dark',width='1000px',height='600px'))
    
    .add('', datas_pair_1, radius=['35%', '60%'])
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%"))
    .set_global_opts(
        title_opts=opts.TitleOpts(
            title="当当网书籍\n\n原价价格区间", 
            pos_left='center', 
            pos_top='center',
            title_textstyle_opts=opts.TextStyleOpts(
                color='#F0F8FF', 
                font_size=20, 
                font_weight='bold'
            ),
        )
    )
    .set_colors(['#EF9050', '#3B7BA9', '#6FB27C', '#FFAF34', '#D8BFD8', '#00BFFF', '#7FFFAA'])
)
pie1.render_notebook()

在这里插入图片描述

5.2、各个出版社书籍数量柱状图

找出拥有最多书籍的20家出版社

counts = df.groupby('出版社')['书名'].count().sort_values(ascending=False).head(20)

bar=(
    Bar(init_opts=opts.InitOpts(height='500px',width='1000px',theme='dark'))
    .add_xaxis(counts.index.tolist())
    .add_yaxis(
        '出版社书籍数量',
        counts.values.tolist(),
        label_opts=opts.LabelOpts(is_show=True,position='top'),
        itemstyle_opts=opts.ItemStyleOpts(
            color=JsCode("""new echarts.graphic.LinearGradient(
            0, 0, 0, 1,[{offset: 0,color: 'rgb(255,99,71)'}, {offset: 1,color: 'rgb(32,178,170)'}])
            """
            )
        )
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(
            title='各个出版社书籍数量柱状图'),
            xaxis_opts=opts.AxisOpts(name='书籍名称',
            type_='category',                                           
            axislabel_opts=opts.LabelOpts(rotate=90),
        ),
        yaxis_opts=opts.AxisOpts(
            name='数量',
            min_=0,
            max_=29.0,
            splitline_opts=opts.SplitLineOpts(is_show=True,linestyle_opts=opts.LineStyleOpts(type_='dash'))
        ),
        tooltip_opts=opts.TooltipOpts(trigger='axis',axis_pointer_type='cross')
    )

    .set_series_opts(
        markline_opts=opts.MarkLineOpts(
            data=[
                opts.MarkLineItem(type_='average',name='均值'),
                opts.MarkLineItem(type_='max',name='最大值'),
                opts.MarkLineItem(type_='min',name='最小值'),
            ]
        )
    )
)
bar.render_notebook()

在这里插入图片描述

5.3、电子书版本占比

计算在DataFrame df中没有电子书版本的书所占的百分比，并将这个百分比值赋给变量per。

per = df['电子书价格'].value_counts()['无电子书版本']/len(df)

c = (
    Liquid()
    .add("lq", [1-per], is_outline_show=False)
    .set_global_opts(title_opts=opts.TitleOpts(title="电子书版本占比"))
)
c.render_notebook()

在这里插入图片描述

5.4、书籍评论数最高Top20

price_top = df.groupby('书名')['原价'].sum().sort_values(ascending=False).head(20)
price_top

在这里插入图片描述

bar=(
    Bar(init_opts=opts.InitOpts(height='500px',width='1000px',theme='dark'))
    .add_xaxis(price_top.index.tolist())
    .add_yaxis(
        '书籍单价',
        price_top.values.tolist(),
        label_opts=opts.LabelOpts(is_show=True,position='top'),
        itemstyle_opts=opts.ItemStyleOpts(
            color=JsCode("""new echarts.graphic.LinearGradient(
            0, 0, 0, 1,[{offset: 0,color: 'rgb(255,99,71)'}, {offset: 1,color: 'rgb(32,178,170)'}])
            """
            )
        )
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(
            title='单价最高的书籍详细柱状图'),
            xaxis_opts=opts.AxisOpts(name='书籍名称',
            type_='category',                                           
            axislabel_opts=opts.LabelOpts(rotate=90),
        ),
        yaxis_opts=opts.AxisOpts(
            name='单价/元',
            min_=0,
            max_=1080.0,
            splitline_opts=opts.SplitLineOpts(is_show=True,linestyle_opts=opts.LineStyleOpts(type_='dash'))
        ),
        tooltip_opts=opts.TooltipOpts(trigger='axis',axis_pointer_type='cross')
    )

    .set_series_opts(
        markline_opts=opts.MarkLineOpts(
            data=[
                opts.MarkLineItem(type_='average',name='均值'),
                opts.MarkLineItem(type_='max',name='最大值'),
                opts.MarkLineItem(type_='min',name='最小值'),
            ]
        )
    )
)
bar.render_notebook()

在这里插入图片描述

总结

本次数据分析为当当网提供了有价值的洞察和建议。通过深入挖掘和分析销售数据，我们可以更好地了解用户需求和市场趋势，优化库存管理、营销策略和推荐系统。同时，这些发现也为企业决策提供了依据，有助于促进图书市场的可持续发展。

📢文章下方有交流学习区！一起学习进步！💪💪💪
📢首发CSDN博客，创作不易，如果觉得文章不错，可以点赞👍收藏📁评论📒
📢你的支持和鼓励是我创作的动力❗❗❗

i阿极
关注
  • 41
    点赞
  • 踩
  • 82
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 42
    评论
专栏目录
当当网书籍数据爬取及可视化分析
m0_64212248的博客
04-16 1494
提取书名df['书名'] = df['标题'].apply(lambda x:x.split('（')[0])# 提取书籍简介df['书籍简介'] = df['标题'].str.extract('.*?（(.*?)）')# 如果为空，用True替代df['书籍简介'].fillna('无', inplace=True)# 提取评论数df['评论数'] = df['评论'].astype('int64')df.head(1)
基于Pandas和PyEcharts的当当网图书信息可视化分析
gf_lvah的博客
04-30 3645
1 绘制python图书封面的照片墙 import math import os from PIL import Image def makePicturesWall(picdir): picslist = os.listdir(picdir) num_pics = len(picslist) size = 64 line_numpics = int(math...
数据可视化期末课设~当当网图书好评榜分析.zip
12-14
压缩包内含——jupyter代码、保存的HTML图片、答辩PPT 、Word文档 作品介绍 （源文件），基本期末作业所需的知识点全覆盖。
当当网数据（1.1G)快速检索
04-01
使用QT做界面，采用索引文件技术，实现当当网数据（1.1G)快速检索。具体可见本人博客
当当网书籍数据可视化分析数据集
04-17
当当网书籍数据可视化分析数据集是一个包含大量书籍信息的综合性数据集，旨在通过数据可视化技术将复杂的书籍数据转化为直观、易理解的图形和图像。这样的数据集对于图书行业从业者、市场分析师以及数据科学家来说，具有极高的研究价值和商业价值。 首先，这个数据集包含了当当网上各类书籍的详细信息，如书名、作者、出版社、出版日期、价格、类别、描述等关键属性。这些信息有助于研究人员全面了解书籍的种类、分布情况以及市场趋势。 其次，数据集还包含了书籍的销售数据，如销量、销售额、用户评价等。通过分析这些数据，可以揭示书籍的销售情况、受欢迎程度以及用户购买偏好。这些信息有助于图书行业从业者制定更有效的销售策略和推广方案。 此外，数据集还可能结合了用户的行为数据和购买数据。例如，可以分析用户的浏览记录、购买记录以及评价信息，以了解用户的阅读兴趣和购买习惯。这些数据有助于图书行业从业者更精准地推送个性化推荐，提高用户的购买率和满意度。 在数据处理和分析方面，可能需要运用多种技术和方法。例如，可以使用数据清洗技术来去除重复和错误数据；可以使用数据挖掘技术来发现书籍数据中的潜在规律和模式。
python商品销售数据分析可视化系统
02-07
一个基于Python的程序，可以用来对商品销售数据进行分析，可以对商品销售数据可视化，还带爬虫程序。直接上传源码压缩包，下载即可运行。
代码分享：电影数据分析与可视化系统
07-10
项目使用教程可以关注博主的主页，有对应博客：https://blog.csdn.net/weixin_43486940 本文主要介绍如何使用python搭建：一个基于Python的电影数据分析与可视化系统 项目功能和可视化展示界面涉及以下功能模块，包括： 1、用户登录界面。 2、爬虫电影数据收集。 3、电影简介界面。根据用户偏好展示TOP10的电影。 4、搜索功能界面。按照电影名、导演、演员，模糊匹配需要搜索的电影，并展示电影详情。 5、电影数据分析可视化界面。用户选择关键词来查看数据和该分类下的数据可视化。 6、数据分析可视化包括：①电影年代、产地、类型的饼状图或柱状体、②关于电影评价的词云图分析。
利用python爬虫可视化分析当当网的图书数据
python学习者的博客
03-17 1万+
导语 这周末就分享个小爬虫吧。利用Python爬取并简单地可视化分析当当网的图书数据。 开发工具 **Python版本：**3.6.4 相关模块： requests模块； bs4模块； wordcloud模块； jieba模块； pillow模块； pyecharts模块； 以及一些Python自带的模块。 环境搭建 安装Pytho...
基于python django的当当网书籍数据采集与可视化分析，实现数据采集与可视化分析，有登录注册和后台管理
weixin_49081159的博客
10-03 1264
数据分析与可视化：使用Python的数据分析库（如Pandas、NumPy）进行数据分析，例如统计书籍的销量、评分等指标。通过解析页面的HTML结构，使用XPath或CSS选择器提取所需的书籍信息，例如书名、作者、价格等，并将其保存到本地文件和数据库中。构建可视化大屏：将可视化图表整合到一个大屏中，可以使用Django的模板系统来构建网页界面，并在页面中嵌入可视化图表。数据清洗与处理：对采集到的数据进行清洗与处理，例如去除重复数据、填充缺失值、格式转换等。前端：Html+Css+JavaScript。
大数据毕设-基于hadoop+spark+echarts+机器学习的豆瓣图书数据可视化分析系统设计实现(附开发文档+部署)
qq_1445749146的博客
11-09 1588
基于大数据的豆瓣图书数据可视化分析系统旨在挖掘和分析海量图书数据背后的规律和趋势，为读者、出版商和数据分析师提供更深入的洞察和辅助决策。本系统依托于豆瓣庞大的图书数据库，通过收集和分析图书的各项指标，如分类、评分、评论数量等，使用先进的数据可视化技术，直观地展示数据中的信息，帮助用户更好地理解和把握图书市场的动态和趋势。随着信息技术的发展，大数据已经成为各行各业重要的资源之一，而数据可视化则是将海量数据转化为有价值信息的重要手段。
Python数据分析与应用：从数据获取到可视化
10-25
Python数据分析与应用：从数据获取到可视化教学PPT、教学大纲、教学设计、课后习题及答案、题库、项目源码以及13章全套教学视频等资料！
Python 数据分析：基于Plotly 的动态可视化绘图,557页
09-07
plotly使用入门
Python数据分析实践：二手车交易数据可视化.pdf
06-14
（3）掌握Python 数据分析、数据可视化等技术。 6.4.1 了解二手车数据分析流程 任务描述 基于二手汽车交易网站上二手汽车交易数据，分析本案例的流程。 任务分析 （1）了解我国二手车市场的背景与发展前景。 （2）...
【当当网图书数据分析与挖掘】
OverlordDuke的博客
11-18 694
随着网络技术的极速发展，互联网已成为人们搜集数据和提供数据的重要途径并逐步变成人们至关重要的一部分。在如今的日常生活中，网上购物对于我们已经形影不离，逐渐变成为我们不可或缺的一种必需品。网上购书市场也逐渐进入了人们的视野。在网上购物进入人们的家庭，便利了人们的衣食住行的同时，一个迫在眉睫并且不易解决的难题摆在我们眼前：现今互联网的结构日趋复杂，消费者时常在大量的产品信息空间中迷失，并且不能成功找到需要的产品。所以如何从爆炸性的海量数据中提取出我们需要的数据，搜索引擎的使用便成为了每一位用户的必然选择。
Python pyecharts Boxplot图
最新发布
m0_57472099的博客
04-26 718
现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习。
当当图书网数据采集分析：10万条数据的深入洞察
关注收藏，可以私信解决问题！
04-16 876
基于搜索结果，我将为您提供一个关于当当图书网数据采集的文章框架，假设我们已经有了10万条数据的采集结果。请注意，由于没有具体的数据文件，以下内容将是一个示例性的框架，您可以根据实际采集到的数据进行填充和调整。
【python】当当书籍数据抓取分析与可视化（代码+报告）【独一无二】
热门推荐
测试开发自动化
11-30 1万+
本项目旨在研究和分析当当网上的书籍信息。当当网作为中国领先的在线零售平台之一，其上架的书籍种类繁多，涵盖了从文学、科技到教育等多个领域。这些书籍信息不仅能反映出市场上的流行趋势，还可以揭示消费者的购买偏好和出版业的发展动态。 项目的第一阶段集中在通过网络爬虫技术从当当网上爬取书籍数据。使用Python语言，结合requests和lxml库，项目团队成功地爬取了书名、作者、单价、出版日期、出版社和书籍简介等关键信息。在这个过程中，团队克服了多种网络爬虫的常见挑战，如网页编码处理、动态加载的内容、反爬机制的规避
【大数据实训】基于当当网图书信息的数据分析与可视化(八)
Maynor的博客
10-19 3650
温馨提示：文末有 CSDN 平台官方提供的博主 的联系方式，有偿帮忙部署。
2023当当网数据可视化分析
06-11
很高兴回答您的问题。2023当当网数据可视化分析是一个非常有趣和有挑战性的话题。对于这个问题，我可以给您一些可能有用的建议。 首先，您需要确定您想要分析的数据。当当网是一个大型的电商平台，它拥有大量的数据，包括用户行为数据、销售数据、库存数据等等。确定您想要分析的数据对您的分析非常重要。 其次，您需要选择合适的可视化工具。目前市场上有很多的数据可视化工具，例如Tableau、Power BI、D3.js等等。不同的工具有不同的特点和优势，您需要选择最适合您的分析需求的工具。 接下来，您需要进行数据清洗和预处理。这是数据分析中非常重要的一步，因为数据质量的好坏直接影响到后续的分析结果。您可以使用Python或R等编程语言进行数据清洗和预处理。 最后，您需要进行数据可视化分析。在进行数据可视化分析时，您需要选择合适的图表类型，例如柱状图、折线图、散点图等等。同时，您需要注意图表的可读性和易理解性，以便更好地传达分析结果。 希望这些建议能对您有所帮助。如果您有任何其他问题，欢迎继续提问。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 42
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

i阿极

你的鼓励是我创作最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值