Python采集淘宝1585个商家车厘子数据，看看到底有多贵- Python

智利驻华大使馆商务参赞娜塔曾表示：“2020-2021产季车厘子实现了丰收，预计今年有50万吨左右的车厘子进入中国市场。”自2020年12月中旬开始，智利海运车厘子陆续到达中国，运输成本较此前空运方式大幅下滑。这意味着，国内消费者将能以更低的价格买到车厘子。然而，近日国内已有多地进口车厘子核酸检测结果为阳性，在这种情况下，你还敢大呼“车厘子自由”吗？

数据获取
本文利用Python采集了淘宝网1585个商家车厘子销售数据，获取到车厘子的商品名称、商品价格、付款人数、店铺名称、发货地址等字段。限于篇幅，爬虫代码仅给出主函数：

def main():
    browser.get('https://www.taobao.com/')
    page = search_product(key_word)
    print(page)
    get_data()
    page_num = 70
    while int(page) != page_num:
        print("-" * 100)
        print("正在爬取第{}页数据".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("数据抓取完成")

if __name__ == '__main__':
    key_word = "车厘子"
    browser = webdriver.Chrome("./chromedriver")
    main()

数据处理
数据读取并预览

df.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 1595 entries, 0 to 1674
Data columns (total 5 columns):
 # Column Non-Null Count Dtype
--- ------ -------------- -----
 0   商品名称 1595 non-null   object
 1   商品价格 1595 non-null   float64
 2   付款人数 1595 non-null   object
 3   店铺名称 1595 non-null   object
 4   发货地址 1585 non-null   object
dtypes: float64(1), object(4)
memory usage: 74.8+ KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14

在这里插入图片描述

查看数据信息

df.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 1595 entries, 0 to 1674
Data columns (total 5 columns):
 # Column Non-Null Count Dtype
--- ------ -------------- -----
 0   商品名称 1595 non-null   object
 1   商品价格 1595 non-null   float64
 2   付款人数 1595 non-null   object
 3   店铺名称 1595 non-null   object
 4   发货地址 1585 non-null   object
dtypes: float64(1), object(4)
memory usage: 74.8+ KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14

发现数据存在以下几个问题：

（1）发货地址有缺失值

（2）付款人数需做提取

（3）发货地址需做分割

（4）自定义索引并降序

数据清洗

复制代码
#剔除缺失记录
df.dropna(axis=0, how=‘any’, inplace=True)

#从发货地址字段中切分出省份和城市
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[“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

#用正则表达式从付款人数中提取数字
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
df.drop([‘发货地址’, ‘数字’, ‘单位’], axis=1, inplace=True) # 删除多余的列

#按商品价格降序并重置索引
df = df.sort_values(by=“商品价格”, axis=0, ascending=False) #降序
df = df.reset_index(drop=True) #重置索引
复制代码

清洗后，数据预览如下：

在这里插入图片描述