本文原创发布于微信公众号「极客猴」,欢迎关注第一时间获取更多原创分享
在之前的一篇文章中,我讲到如何爬取必胜客官网中全国各大城市餐厅的信息。虽然餐厅数据信息被抓取下来,但是数据一直在硬盘中“躺尸”。不曾记得,自己已经第 n 次这么做了。说到这里,要追溯到自己的大学时光。
自己从大学开始就接触 Python,当时是自己的好奇心很强烈。好奇为什么 Python 不需要浏览器就能抓取网站数据。内心感叹到,这简直是太妙了。自己为了体验这种抓取数据的乐趣,所以写了很多的爬虫程序。
随着自己知识面地拓展,自己了解到数据分析这领域。自己从而才知道爬取到的数据,原来背后还隐藏的一些信息。自己也是在学习这方面的相关知识。这篇文章算是数据分析的处女稿,主要内容是从数据中提取出必胜客餐厅的一些信息。
1 环境搭建
百度前端技术部开源一个基于 Javascript 的数据可视化图表库。其名字为 ECharts。它算是前端数据可视化的利器,能提供直观,生动,可交互,可个性化定制的数据可视化图表。
国内有个大神突发奇想,这么好用的库如果能和 Python 结合起来就好了。于是乎,pyecharts 库就应运而生。因此,pyecharts 的作用是用于生成 Echarts 图表的类库。本文中的所有图标,自己都是利用 pyecharts 生成的。
安装该库也很简单,使用 pip 方式安装。
pip install pyecharts
2 数据清洗
数据清洗工作是数据分析必不可少的步骤。这一步是为了清洗一些脏数据。因为可能网站本身就有空数据,或者匹配抓取网站信息时,有些混乱的数据。这些都需要清除掉。
我之前是将数据写到一个 json 文件中,我先将数据读取出来。然后把 json 文本数据转化为字典类型。
def get_datas():
""" 从文件中获取数据 """
file_name = 'results.json'
with open(file_name, 'r', encoding='UTF-8') as file:
content = file.read()
data = json.loads(content, encoding='UTF-8')
# print(data)
return data
接着对字典进行遍历, 统计每个城市的餐厅总数。
def count_restaurants_sum(data):
""" 对字典进行遍历, 统计每个城市的餐厅总数 """
results = {}
for key, value in data.items():
results[key] = len(value)
# print(key, len(value))
return results
再将字典中的每个 key-value 转化为元组,然后根据 value 进行倒序排序。
restaurants_sum = sorted(restaurants_sum.items(), key=lambda item: item[1], reverse=True)
最后根据显示结果,手动删除一些脏数据。
def clean_datas(data):
"""
清除脏数据。
经过分析发现 ('新区', 189), ('南区', 189), ('朝阳', 56) 是脏数据, 必胜客官网的地区选项中就有这三个名字
[('新区', 189), ('上海市', 189), ('南区', 189), ('北京市', 184), ('深圳', 95),
('广州', 86), ('杭州', 78), ('天津市', 69), ('朝阳', 56), ('苏州', 54)]
"""
data.remove(('新区', 189))
data.remove(('南区', 189))
data.remove(('朝阳', 56))
return data
到此,数据工作已经完成。
3 数据分析
我们已经拿到了经过清洗的数据,我们简单对数据进行打印,然后绘制直方图。
def render_top10():
"""
绘制直方图显示 全国必胜客餐厅总数 Top 10 的城市
根据清洗过后数据的结果, Top 城市如下
('上海市', 189), ('北京市', 184), ('深圳', 95), ('广州', 86), ('杭州', 78),
('天津市', 69), ('苏州', 54), ('西安', 52), ('武汉', 51), ('成都', 48)
"""
attr = ["上海", "北京", "深圳", "广州", "杭州", "天津", "苏州", "西安", "武汉", "成都"]
values = [189, 184, 95, 86, 78, 69, 54, 52, 51, 48]
bar = Bar("全国各大城市必胜客餐厅数量排行榜")
bar.add("总数", attr, values, is_stack=True, is_more_utils=True)
bar.render("render_bar.html")
绘制出来的结果如下:
不难看出,一线城市拥有必胜客的餐厅数比较多,省会城市拥有餐厅数要比非省会城市要多。
我们继续绘制饼状图,看看北上广深的餐厅数在全国的占比。
def render_top10_percent():
"""
绘制饼状图 显示北上广深餐厅数在全国中的比例
"""
configure(global_theme='macarons')
attr = ["上海", "北京", "深圳", "广州", "其他城市"]
value = [189, 184, 95, 86, 1893] # 根据 count_other_sum() 计算出来的
pie = Pie("北上广深餐厅数的占比")
pie.add("", attr, value, is_label_show=True, is_more_utils=True)
pie.render("render_pie.html")
绘制出来的结果如下:
从数据上看,北上广深的餐厅数占据全国餐厅数的 22.64%。其他二三线城市共占据 77.36%。说明必胜客餐厅不仅主打大城市路线,还往二三四线城市发展,扩展领域。
【极客猴】每周坚持分享 Python 原创干货的公众号。包括基础入门,进阶技巧,网络爬虫,数据分析, Web 应用开发等,欢迎关注。