炎炎夏日，长裤已难以满足广大男生的需求，为了在搬砖和摆摊的过程中增添一丝舒适感，他们开始寻找一种神奇的存在——大裤衩。我在种菜的这些日子里也日益感受到大裤衩的重要性，于是，打开电脑并抓取了淘宝4403条大裤衩数据，进行了数据可视化分析，并最终找到一条可以入手的大裤衩。

本文主要尝试解决以下几个问题：

1.国内哪些地方的大裤衩卖的比较好？

2.大裤衩市场价格是怎样的？

3.哪些店铺大裤衩销量较高？

4.在售的大裤衩具有哪些特点？

一、数据获取

淘宝网站是一个ajax动态加载的网站，只能通过解析接口或用selenium自动化测试工具去爬取。

本次数据获取采用selenium，由于我的谷歌浏览器版本更新较快，导致原来的谷歌驱动失效。于是，我禁用了浏览器自动更新，并下载了对应版本的驱动。

浏览器版本

浏览器驱动必须与浏览器版本匹配，否则selenium将失效。

接着，我利用selenium在淘宝网搜索大裤衩，手机扫码登录，获得了大裤衩的商品名称、商品价格、付款人数、店铺名称、发货地址等信息。

 def main():
    browser.get('https://www.taobao.com/')
    page = search_product(key_word)
    print(page)
    get_data()
    page_num = 1
    while int(page) != page_num:
        print("-" * 100)
        print("正在爬取第{}页大裤衩数据".format(page_num + 1))
        browser.get('https://s.taobao.com/search?q={}&s={}'.format(key_word, page_num*44))
        browser.implicitly_wait(10)
        get_data()
        page_num += 1
    print("大裤衩数据抓取完成")

    if __name__ == '__main__':
    key_word = "大裤衩 男"
    browser = webdriver.Chrome("./chromedriver")
    main()

二、数据清洗

短短几分钟就爬下了4403条大裤衩样本数据，为了方便数据分析，还需要对原始数据进行简单清洗。

1.导入数据

import pandas as pd
import numpy as np
df = pd.read_csv('big_pants.csv',header=None,
                 names=['商品名称','商品价格','付款人数','店铺名称','发货地址']) #添加字段名称

df.sample(5) #预览数据

2.删除重复记录

df = df.drop_duplicates() 

3.查看数据信息

df.info() 
<class 'pandas.core.frame.DataFrame'>
Int64Index: 3835 entries, 0 to 4402
Data columns (total 5 columns):
 #   Column  Non-Null Count  Dtype
---  ------  --------------  -----
 0   商品名称    3835 non-null   object
 1   商品价格    3835 non-null   float64
 2   付款人数    3835 non-null   object
 3   店铺名称    3835 non-null   object
 4   发货地址    3822 non-null   object
dtypes: float64(1), object(4)
memory usage: 179.8+ KB

4.缺失值处理

df.dropna(axis=0, how='any', inplace=True)

5.商品价格字段处理

listBins = [0, 50,100, 150, 200, 500,1000000] #设置切分区域
listLabels = ['50及以下','51-100','101-150','151-200','201-500','500及以上']#设置切分后对应标签
df['价格区间'] = pd.cut(df['商品价格'], bins=listBins, labels=listLabels, include_lowest=True) #利用pd.cut进行数据离散化切分

6.发货地址字段处理

df["省份"] = df["发货地址"].str.split(' ',expand=True)[0]  #expand=True可以把用分割的内容直接分列
#df['省份'] = df['发货地址'].str.split(' ').apply(lambda x:x[0]) #提取省份
df["城市"] = df["发货地址"].str.split(' ',expand=True)[1] #提取城市
df["城市"].fillna(df["省份"], inplace=True) #城市字段空值用省份非空值填充

7.付款人数字段处理

import re
df['数字'] = [re.findall(r'(\d+\.{0,1}\d*)', i)[0] for i in df['付款人数']]  # 提取数值
df['数字'] = df['数字'].astype('float')  # 转化数值型
df['单位'] = [''.join(re.findall(r'(万)', i)) for i in df['付款人数']]  # 提取单位（万）
df['单位'] = df['单位'].apply(lambda x:10000 if x=='万' else 1)
df['付款人数'] = df['数字'] * df['单位'] # 计算付款人数

8.其他处理

# 删除多余的列
df.drop(['发货地址', '数字', '单位'], axis=1, inplace=True)
#按商品价格降序
df = df.sort_values(by="商品价格", axis=0, ascending=False)
# 重置索引
df = df.reset_index(drop=True)
df.head(10) 

三、数据可视化

数据清洗干净后，接下来就可以做可视化分析了，本次可视化分析主要用到Python的pyecharts库和BI工具。

我们首先来看点有意思的数据，最贵的大裤衩和最便宜的大裤衩的区别。

最贵的大裤衩：

最便宜的大裤衩：

对比一下，不难发现这两条大裤衩的区别，一个风度翩翩，一个花里胡哨。作为一名种菜的民工，风度没卵用（主要还是买不起），便宜无好货的认知在开始学种菜的时候就印刻在我的脑海里了，于是我继续分析。

1.国内哪些地方的大裤衩卖的比较好？

我利用省份和付款人数字段数据做了个全国地图，发现福建和浙江这两个地方盛产大裤衩。根据一般的经济学原理，产业集聚更容易带来专业化分工和规模化经营。于是，我首先锁定了这两个地方的大裤衩并进一步下钻分析。

在盛产大裤衩的两个省份中，泉州占到了福建大裤衩的44.28%，杭州占到了浙江大裤衩的37.02%。目标进一步缩小，我内心无比激动。

2.大裤衩市场价格是怎样的？

要想买到一条合适的大裤衩，不仅需要分析销量因素，咱们还得分析价格因素。由上图可知，80%的大裤衩价格在50元以下，100元以上的大裤衩占比不到2%。可见，大家对大裤衩的心理价位普遍不高。

3.哪些店铺大裤衩销量较高？

从销量较高的淘宝店铺来看，基本都是旗舰店，看来大家对店铺品牌效应关注度较高。我也查了下mystery8090，这是一家专注胖男孩的韩流服饰店，市场定位还是不错的，难怪也获得了不错的销量。

4.在售的大裤衩具有哪些特点？

我为了了解大裤衩的特点，对商品名称字段做了文本分析，以浴缸为背景绘制了大裤衩词云图。主要的特点基本上还是看的出来的，在售的大裤衩大都具有宽松、休闲、短、潮流等特点。

5.选择合适的大裤衩

我根据以上分析，同时查看了相关的宝贝评价、好评率等指标，综合分析后，终于找到了以下大裤衩并入手。我不经感慨，再也不怕种菜的时候热出翔了！

很显然在目前的信息时代，借助类似于FineBI的这些工具，可以让企业加速融入企业数据分析的趋势。备受市场认可的软件其实有很多，选择时必须要结合实际的情况。一般的情况下，都建议选择市面上较主流的产品，比较容易达到好的效果，目前企业数据分析BI软件市场占有率前列的，就是帆软BI软件——FineBI。

商业智能BI产品更多介绍：www.finebi.com

免费下载FineBI 立即体验Demo