我用Python爬了4400条淘宝商品数据，竟发现了这些“潜规则”

“

本文记录了笔者用 Python 爬取淘宝某商品的全过程，并对商品数据进行了挖掘与分析，最终得出结论。

项目内容

• 本案例选择商品类目：沙发。

• 数量：共 100 页  4400 个商品。

• 筛选条件：天猫、销量从高到低、价格 500 元以上。

项目目的

• 对商品标题进行文本分析，词云可视化

• 不同关键词 word 对应的 sales 的统计分析

• 商品的价格分布情况分析

• 商品的销量分布情况分析

• 不同价格区间的商品的平均销量分布

• 商品价格对销量的影响分析

• 商品价格对销售额的影响分析

• 不同省份或城市的商品数量分布

• 不同省份的商品平均销量分布

注：本项目仅以以上几项分析为例。

项目步骤

• 数据采集：Python 爬取淘宝网商品数据

• 对数据进行清洗和处理

• 文本分析：jieba 分词、wordcloud 可视化

• 数据柱形图可视化：barh

• 数据直方图可视化：hist

• 数据散点图可视化：scatter

• 数据回归分析可视化：regplot

工具&模块

• 工具：本案例代码编辑工具 Anaconda 的 Spyder。

• 模块：requests、retrying、missingno、jieba、matplotlib、wordcloud、imread、seaborn 等。

爬取数据

因淘宝网是反爬虫的，虽然使用多线程、修改 headers 参数，但仍然不能保证每次 100% 爬取，所以我增加了循环爬取，每次循环爬取未爬取成功的页 ，直至所有页爬取成功停止。

说明：淘宝商品页为 JSON 格式，这里使用正则表达式进行解析。

代码如下：

数据清洗、处理

数据清洗、处理这个步骤也可以在 Excel 中完成，再读入数据。

代码如下：

说明：根据需求，本案例中只取了 item_loc，raw_title，view_price，view_sales 这 4 列数据，主要对区域、标题、价格、销量进行分析。

代码如下：

数据挖掘与分析

对 raw_title 列标题进行文本分析

使用结巴分词器，安装模块 pip install jieba：

对 title_s（list of list 格式）中的每个 list 的元素（str）进行过滤，剔除不需要的词语，即把停用词表 stopwords 中有的词语都剔除掉：

因为下面要统计每个词语的个数，所以为了准确性，这里对过滤后的数据 title_clean 中的每个 list 的元素进行去重，即每个标题被分割后的词语唯一。

观察 word_count 表中的词语，发现 jieba 默认的词典无法满足需求。

有的词语（如可拆洗、不可拆洗等）却被 cut，这里根据需求对词典加入新词（也可以直接在词典 dict.txt 里面增删，然后载入修改过的 dict.txt）。

词云可视化需要安装 wordcloud 模块。

安装模块有两种方法：

• pip install wordcloud

• 下载 Packages 安装：pip install 软件包名称

软件包下载地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/#wordcloud

注意：要把下载的软件包放在 Python 安装路径下。

代码如下：

分析结论：

• 组合、整装商品占比很高。

• 从沙发材质看：布艺沙发占比很高，比皮艺沙发多。

• 从沙发风格看：简约风格最多，北欧风次之，其他风格排名依次是美式、中式、日式、法式等。

• 从户型看：小户型占比最高、大小户型次之，大户型最少。

不同关键词 word 对应的 sales 之和的统计分析

说明：例如词语“简约”，则统计商品标题中含有“简约”一词的商品的销量之和，即求出具有“简约”风格的商品销量之和。

代码如下：

对表 df_word_sum 中的 word 和 w_s_sum 两列数据进行可视化。（本例中取销量排名前 30 的词语进行绘图）

由图表可知：

• 组合商品销量最高。

• 从品类看：布艺沙发销量很高，远超过皮艺沙发。

• 从户型看：小户型沙发销量最高，大小户型次之，大户型销量最少。

• 从风格看：简约风销量最高，北欧风次之，其他依次是中式、美式、日式等。

• 可拆洗、转角类沙发销量可观，也是颇受消费者青睐的。

商品的价格分布情况分析

分析发现，有一些值太大，为了使可视化效果更加直观，这里我们结合自身产品情况，选择价格小于 20000 的商品。

代码如下：

由图表可知：

• 商品数量随着价格总体呈现下降阶梯形势，价格越高，在售的商品越少。

• 低价位商品居多，价格在 500-1500 之间的商品最多，1500-3000 之间的次之，价格 1 万以上的商品较少。

• 价格 1 万元以上的商品，在售商品数量差异不大。

商品的销量分布情况分析

同样，为了使可视化效果更加直观，这里我们选择销量大于 100 的商品。

代码如下：

由图表及数据可知：

• 销量 100 以上的商品仅占 3.4% ，其中销量 100-200 之间的商品最多，200-300 之间的次之。

• 销量 100-500 之间，商品的数量随着销量呈现下降趋势，且趋势陡峭，低销量商品居多。

• 销量 500 以上的商品很少。

不同价格区间的商品的平均销量分布

代码如下：

由图表可知：

• 价格在 1331-1680 之间的商品平均销量最高，951-1331 之间的次之，9684 元以上的最低。

• 总体呈现先增后减的趋势，但最高峰处于相对低价位阶段。

• 说明广大消费者对购买沙发的需求更多处于低价位阶段，在 1680 元以上价位越高，平均销量基本是越少。

商品价格对销量的影响分析

同上，为了使可视化效果更加直观，这里我们结合自身产品情况，选择价格小于 20000 的商品。

代码如下：

由图表可知：

• 总体趋势：随着商品价格增多，其销量减少，商品价格对其销量影响很大。

• 价格 500-2500 之间的少数商品销量冲的很高，价格 2500-5000 之间的商品多数销量偏低，少数相对较高，但价格 5000 以上的商品销量均很低，没有销量突出的商品。

商品价格对销售额的影响分析

代码如下：

由图表可知：

• 总体趋势：由线性回归拟合线可以看出，商品销售额随着价格增长呈现上升趋势。

• 多数商品的价格偏低，销售额也偏低。

• 价格在 0-20000 的商品只有少数销售额较高，价格 2-6 万的商品只有 3 个销售额较高，价格 6-10 万的商品有 1 个销售额很高，而且是最大值。

不同省份的商品数量分布

代码如下：

由图表可知：

• 广东的最多，上海次之，江苏第三，尤其是广东的数量远超过江苏、浙江、上海等地，说明在沙发这个子类目，广东的店铺占主导地位。

• 江浙沪等地的数量差异不大，基本相当。

不同省份的商品平均销量分布

代码如下：

热力型地图

微信后台回复关键词“淘宝”下载源代码和相关文档

作者：孙方辉，从事数据分析工作，热爱数据统计与挖掘分析

编辑：陶家龙、孙淑娟

来源：转载自CDA数据分析师微信公众号

精彩文章推荐：

零基础都秒懂：手把手教你搭建一套微服务框架！

爬虫需谨慎，那些你不知道的爬虫与反爬虫套路！

看完此文再不懂区块链算我输，用Python从零开始创建区块链