项目分享：python电商运动服饰销售分析与预测系统

1. 项目背景

随着电⼦商务的蓬勃发展，⽹络服装销售已经逐渐成为消费者最为青睐的廉价购物渠道。本项目基于python网络爬虫从某电商平台抓取所有运动服饰的销售数据，分析不同品牌运动服装价格分布、主流品牌运动服装销售占比、不同标签的运动服装销售占比、男女款式运动服装销售占比等信息，多维度对比各类服装价格的高低。并利用
TensorFlow 构建深度学习模型，实现对运动服饰销售价格的建模和预测。

2. 功能组成

基于python的电商运动服饰销售分析与预测系统的功能主要包括：

3. 电商运动服饰销售数据爬虫

利用 request + beautifulsoup 等工具，抓取某电商平台的运动服饰栏目的在售商品及店铺等信息：

​
​ options = Options()
​ options.add_argument(‘–headless’)
​ options.add_argument(‘–disable-gpu’)
​ chrome_driver = ‘path to chromedriver’
​ browser = webdriver.Chrome(chrome_options=options, executable_path=chrome_driver)
​
base_url = ‘https://list.xxxxx.com/list.html?cat=1318,12102,9765&page;={}&sort;=sort_rank_asc&trans;=1&JL;=6_0_0#J_main’

file_out = open('sports_wears.json', 'w', encoding='utf8')
page = 1
while page < 262:
    url = base_url.format(page)
    print('--> 抓取 {} 页：{}'.format(page, url))
    browser.get(url)
    soup = BeautifulSoup(browser.page_source, 'lxml')
    items = soup.find_all('li', class_='gl-item')
    item_infos = []
    for item in items:
        item_info = {}
        # 服装价格
        price = item.find('div', class_='p-price').i.text.strip()
        # 服装名称
        name = item.find('div', class_='p-name').a.em.text.strip()
        # 评论人数
        ......
        # 店铺名称
        ......
        item_info['comment'] = comment
        item_info['shop'] = shop
        item_info['tags'] = tags
        print(json.dumps(item_info, ensure_ascii=False))
        item_infos.append(json.dumps(item_info, ensure_ascii=False) + '\n')
    page += 1
    # 保存数据
    file_out.writelines(item_infos)
    file_out.flush()
    time.sleep(1.1)
browser.close()

4. 电商运动服饰销售分析与预测系统

4.1 店铺销售情况查询

使用选择框进行店铺的选择，查询当前各店铺在售运动服装的数据，包括：服装名称、店铺名称、标签、大小型号、评论个数、价格（元）：

4.2 运动服装价格分布及影响因素分析

为了更好的统计在售运动服装价格分布和大小型号之间的关系，设定了三类图，不同型号的运动服装在售件数（扇形图）、不同大小型号的运动服装的均价分布（条形图）、电商在售运动服装价格分布情况（散点图）：

各种型号的运动服装在售件数都显示在了扇形图对应的区域中，当鼠标悬浮在相应的位置时，便会显示该型号的在售个数和占比信息，如图中显示M型号的在售个数为3901，占比25.2%。在第二张

4.3 主流品牌运动服装销售占比

不同品牌的运动服饰，其销售价格、在售数量不同，也反应了品牌的受欢迎程度，对不同品牌运动服装销售占比就行统计分析：

4.4 不同标签的运动服装销售占比

对新品、放心购、闪购、赠、门店有售、厂商配送、物流、险、自营、满减、满赠等不同标签的商品就行统计分析：

4.5 男女款式运动服装销售占比

分析性别对运动服饰销售的影响程度，对齐销售占比就行统计分析：

4.6 基于神经网络的运动服装价格预测

利用商品的描述文本和标签等信息，预测商品的销售价格。基于 keras 或 TensorFlow 构建双向 GRU+Dense
的神经网络模型，利用抓取的运动服装数据进行模型的训练和验证：

​
​ # 构造双向 GRU + Dense 神经网络模型
​ def build_model():
​ inp = Input(shape=(maxlen,))
​ x = Embedding(max_features, embed_size)(inp)
​ x = Bidirectional(GRU(64, return_sequences=True))(x)
​ x = GlobalMaxPool1D()(x)
​ x = Dense(16, activation=“relu”)(x)
​ x = Dropout(0.1)(x)
​ x = Dense(len(all_price_levels_map), activation=“softmax”)(x)
​ model = Model(inputs=inp, outputs=x)
​ model.compile(loss=‘categorical_crossentropy’, optimizer=‘adam’, metrics=[‘accuracy’])
​ return model

模型结构如下：

并对商品的描述文本进行中文分词和词性标注：

​
​ # 词性标注算法
​ from jieba.analyse.tfidf import TFIDF
​
class WordSegmentPOSKeywordExtractor(TFIDF):

    def extract_sentence(self, sentence):
        
        ......
        seg_words = []
        pos_words = []
        for w in words:
            wc = w.word
            seg_words.append(wc)
            pos_words.append(w.flag)

            if len(wc.strip()) < 2 or wc.lower() in self.stop_words:
                continue
            freq[wc] = freq.get(wc, 0.0) + 1.0

        return seg_words, pos_words

extractor = WordSegmentPOSKeywordExtractor()

项目分享

项目分享：

https://gitee.com/asoonis/feed-neo