Python 从爬虫到数据分析

大家好，我是大鹏，城市数据团联合发起人，致力于Python数据分析、数据可视化的应用与教学。

和很多同学接触过程中，我发现自学Python数据分析的一个难点是资料繁多，过于复杂。大部分网上的资料总是从Python语法教起，夹杂着大量Python开发的知识点，花了很多时间却始终云里雾里，不知道哪些知识才是真正有用的。本来以为上手就能写爬虫出图，却在看基础的过程中消耗了一周又一周，以至于很多励志学习Python的小伙伴牺牲在了入门的前一步。

于是，我总结了以下一篇干货，来帮助大家理清思路，提高学习效率。总共分为三大部分：做Python数据分析必知的语法，如何实现爬虫，怎么做数据分析。

1.必须知道的两组Python基础术语

A.变量和赋值

Python可以直接定义变量名字并进行赋值的，例如我们写出a = 4时，Python解释器干了两件事情：

• 在内存中创建了一个值为4的整型数据
• 在内存中创建了一个名为a的变量，并把它指向4

用一张示意图表示Python变量和赋值的重点：

例如下图代码，“=”的作用就是赋值，同时Python会自动识别数据类型:

a=4 #整型数据 


b=2 #整型数据 


c=“4” #字符串数据 


d=“2” #字符串数据 


 


print(“a+b结果为”，a+b)#两个整数相加，结果是6 


print(“c+d结果为”，c+d)#两个文本合并，结果是文本“42” 


 


#以下为运行结果 


>>>a+b结果为 6 


>>>c+d结果为 42 

B.数据类型

在初级的数据分析过程中，有三种数据类型是很常见的：

• 列表list(Python内置)
• 字典dic(Python内置)
• DataFrame(工具包pandas下的数据类型，需要import pandas才能调用)

它们分别是这么写的：

列表(list)：

#列表 


liebiao=[1,2.223,-3,'刘强东','章泽天','周杰伦','昆凌',['微博','B站','抖音']] 

list是一种有序的集合，里面的元素可以是之前提到的任何一种数据格式和数据类型(整型、浮点、列表……)，并可以随时指定顺序添加其中的元素，其形式是：

#ist是一个可变的有序表，所以，可以往list中追加元素到末尾： 


liebiao.append('瘦') 


print(liebiao) 


#结果1 


>>>[1, 2.223, -3, '刘强东', '章泽天', '周杰伦', '昆凌', ['微博', 'B站', '抖音'], '瘦'] 


 


#也可以把元素插入到指定的位置，比如索引号为5的位置,插入“胖”这个元素： 


liebiao.insert(5, '胖') 


print(liebiao) 


#结果2 


>>>[1, 2.223, -3, '刘强东', '章泽天', '胖', '周杰伦', '昆凌', ['微博', 'B站', '抖音'], '瘦'] 

字典(dict)：

#字典 


zidian={'刘强东':'46','章泽天':'36','周杰伦':'40','昆凌':'26'} 

字典使用键-值(key-value)存储，无序，具有极快的查找速度。以上面的字典为例，想要快速知道周杰伦的年龄，就可以这么写：

zidian['周杰伦'] 


>>>'40' 

dict内部存放的顺序和key放入的顺序是没有关系的,也就是说，"章泽天"并非是在"刘强东"的后面。

DataFrame：

DataFrame可以简单理解为Excel里的表格格式。导入pandas包后，字典和列表都可以转化为DataFrame，以上面的字典为例，转化为DataFrame是这样的：

import pandas as pd 


 


df=pd.DataFrame.from_dict(zidian,orient='index',columns=['age'])#注意DataFrame的D和F是大写 



df=df.reset_index().rename(columns={'index':'name'})#给姓名加上字段名  

和excel一样，DataFrame的任何一列或任何一行都可以单独选出进行分析。

以上三种数据类型是python数据分析中用的最多的类型，基础语法到此结束，接下来就可以着手写一些函数计算数据了。

2.从Python爬虫学循环函数

掌握了以上基本语法概念，我们就足以开始学习一些有趣的函数。我们以爬虫中绕不开的遍历url为例，讲讲大家最难理解的循环函数for的用法：

A.for函数

for函数是一个常见的循环函数，先从简单代码理解for函数的用途：

zidian={'刘强东':'46','章泽天':'36','周杰伦':'40','昆凌':'26'} 


for key in zidian: 


        print(key) 


>>> 


刘强东 


章泽天 


周杰伦 


昆凌 

因为dict的存储不是按照list的方式顺序排列，所以，迭代出的结果顺序很可能不是每次都一样。默认情况下，dict迭代的是key。如果要迭代value，可以用for value in d.values()，如果要同时#迭代key和value，可以用for k, v in d.items()

可以看到，字典里的人名被一一打印出来了。for 函数的作用就是用于遍历数据。掌握for函数，可以说是真正入门了Python函数。

B.爬虫和循环

for函数在书写Python爬虫中经常被应用，因为爬虫经常需要遍历每一个网页，以获取信息，所以构建完整而正确的网页链接十分关键。以某票房数据网为例，他的网站信息长这样：

该网站的周票房json数据地址可以通过抓包工具找到，网址为http://www.cbooo.cn/BoxOffice/getWeekInfoData?sdate=20190114

仔细观察，该网站不同日期的票房数据网址(url)只有后面的日期在变化，访问不同的网址(url)就可以看到不同日期下的票房数据：

我们要做的是，遍历每一个日期下的网址，用Python代码把数据爬下来。此时for函数就派上用场了，使用它我们可以快速生成多个符合条件的网址：

import pandas as pd 


 


url_df = pd.DataFrame({'urls':['http://www.cbooo.cn/BoxOffice/getWeekInfoData?sdate=' for i in range(5)],'date' :pd.date_range(20190114,freq = 'W-MON',periods = 5)}) 


 


''' 


将网址相同的部分生成5次，并利用pandas的时间序列功能生成5个星期一对应的日期。 


其中用到了第一部分提供的多个数据类型： 


range(5)属于列表， 


'urls'：[]属于字典， 


pd.dataframe属于dataframe 


''' 


url_df['urls'] = url_df['urls'] + url_df['date'].astype('str') 

滑动滑块可以看到完整代码和中间的注释。

为了方便理解，我给大家画了一个for函数的遍历过程示意图：

此处省略掉后续爬取过程，相关爬虫代码见文末。我们使用爬虫爬取了5800+条数据，包含20个字段，时间囊括了从2008年1月开始至2019年2月十一年期间的单周票房、累计票房、观影人次、场均人次、场均票价、场次环比变化等信息。

3.Python怎么实现数据分析?

除了爬虫，分析数据也是Python的重要用途之一，Excel能做的事，Python究竟怎么实现呢;Excel不能做的事，Python又是否能实现呢?利用电影票房数据，我们分别举一个例子说明：

A.Python分析

在做好数据采集和导入后，选择字段进行初步分析可以说是数据分析的必经之路。在Dataframe数据格式的帮助下，这个步骤变得很简单。

比如当我们想看单周票房第一的排名分别都是哪些电影时，可以使用pandas工具库中常用的方法，筛选出周票房为第一名的所有数据，并保留相同电影中周票房最高的数据进行分析整理：

import pandas as pd 


data = pd.read_csv('中国票房数据爬取测试20071-20192.csv',engine='python') 


data[data['平均上座人数']>20]['电影名'] 


#计算周票房第一随时间变化的结果，导入数据，并选择平均上座人数在20以上的电影为有效数据 


 


dataTop1_week = data[data['排名']==1][['电影名','周票房']] 


#取出周票房排名为第一名的所有数据，并保留“电影名”和“周票房”两列数据 


 


dataTop1_week = dataTop1_week.groupby('电影名').max()['周票房'].reset_index() 


#用“电影名”来分组数据，相同电影连续霸榜的选择最大的周票房保留，其他数据删除 


 


dataTop1_week = dataTop1_week.sort_values(by='周票房',ascending=False) 


#将数据按照“周票房”进行降序排序 


 


dataTop1_week.index = dataTop1_week['电影名'] 


del dataTop1_week['电影名'] 


#整理index列，使之变为电影名，并删掉原来的电影名列 


 


dataTop1_week 


#查看数据 

9行代码，我们完成了Excel里的透视表、拖动、排序等鼠标点击动作。最后再用Python中的可视化包matplotlib，快速出图：

B.函数化分析

以上是一个简单的统计分析过程。接下来就讲讲Excel基础功能不能做的事——自定义函数提效。观察数据可以发现，数据中记录了周票房和总票房的排名，那么刚刚计算了周票房排名的代码，还能不能复用做一张总票房分析呢?

当然可以，只要使用def函数和刚刚写好的代码建立自定义函数，并说明函数规则即可：

def pypic(pf): 


    #定义一个pypic函数，变量是pf 


    dataTop1_sum = data[['电影名',pf]] 


    #取出源数据中，列名为“电影名”和pf两列数据 


 


    dataTop1_sum = dataTop1_sum.groupby('电影名').max()[pf].reset_index() 


    #用“电影名”来分组数据，相同电影连续霸榜的选择最大的pf票房保留，其他数据删除 


 


    dataTop1_sum = dataTop1_sum.sort_values(by=pf,ascending=False) 


    #将数据按照pf进行降序排序 


 


    dataTop1_sum.index = dataTop1_sum['电影名'] 


    del dataTop1_sum['电影名'] 


    #整理index列，使之变为电影名，并删掉原来的电影名列 


 


    dataTop1_sum[:20].iloc[::-1].plot.barh(figsize = (6,10),color = 'orange') 


    name=pf+'top20分析' 


    plt.title(name) 


    #根据函数变量名出图 

定义函数后，批量出图so easy：