手把手教你用Pandas庫對淘寶原始數(shù)據(jù)進行數(shù)據(jù)處理和分詞處理

回復(fù)“書籍”即可獲贈Python從入門到進階共10本電子書

大家好，我是Python進階者。

一、前言

    大家好，我是Python進階者，上個禮拜的時候，我的Python交流群里有個名叫程序的大佬，頭像是綠色菜狗的那位，在Python交流群里邊的人應(yīng)該都知道我說的是哪個大佬了，他提供了一份初始淘寶數(shù)據(jù)，數(shù)據(jù)乍看上去非常雜亂無章，但是經(jīng)過小小明大佬的神化處理之后，一秒就變清晰了，真是太神了，然后就有了后續(xù)的數(shù)據(jù)分詞處理和可視化等內(nèi)容了，可能群里的人平時工作太忙，沒有來得及看群消息，作為熱心的群主，這里給大家整理成一篇文章，感興趣的小伙伴，可以去實操一下，還是可以學(xué)到很多東西的。言歸正傳，一起來學(xué)習(xí)下今天的數(shù)據(jù)分析內(nèi)容吧。

二、原始數(shù)據(jù)預(yù)處理

1、原始數(shù)據(jù)

    在未經(jīng)過處理之前的數(shù)據(jù)，長這樣，大家可以看看，全部存儲在一個單元格里邊了，看得十分的讓人難受。如下圖所示。

    按照常規(guī)來說，針對上面的數(shù)據(jù)，我們肯定會選擇Excel里邊的數(shù)據(jù)分列進行處理，然后依次的去根據(jù)空格、冒號去分割，這樣可以得到一份較為清晰的數(shù)據(jù)表，誠然，這種方法確實可行，但是小小明大佬另辟蹊徑，給大家用Python中的正則表達式來處理這個數(shù)據(jù)，處理方法如下。

 2、原始數(shù)據(jù)預(yù)處理

    小小明大佬直接使用正則表達式re模塊和pandas模塊進行處理，方法可謂巧妙，一擊即中，數(shù)據(jù)處理代碼如下。

import reimport pandas as pdresult = []with open(r"淘寶數(shù)據(jù).csv") as f:    for line in f:        row = dict(re.findall("([^：\t]+)：([^：\t]+)", line))        if row:            result.append(row)df = pd.DataFrame(result)df.to_excel('new_data.xlsx', encoding='utf-8')print(df)

    之后我們可以看到效果圖，如下圖所示，這下是不是感覺到清爽了很多呢？

    至此，我們對原始的數(shù)據(jù)進行了預(yù)處理，但是這還不夠，我們今天主要的目標(biāo)是對上面數(shù)據(jù)中的兩列：配料表和保質(zhì)期進行數(shù)據(jù)分析，接下來繼續(xù)我們的數(shù)據(jù)處理和分析。

三、對配料表和保質(zhì)期列進行處理

    一開始的時候，程序大佬對配料表和保質(zhì)期這兩列的數(shù)據(jù)進行處理，但是來回得到的分詞中總有一些特殊字符，如下圖所示，我們可以看到這些字符里邊有%、頓號、空格等內(nèi)容。

    我們都知道，這些是我們不需要的字符，當(dāng)時我們在群里討論的時候，我們就想到使用停用詞去針對這些擾人的字符進行處理，代碼如下。

# 創(chuàng)建停用詞listdef stopwordslist(filepath):    stopwords = [line.strip() for line in open(filepath, 'r', encoding='gbk').readlines()]    return stopwords

# 對句子進行分詞def seg_sentence(sentence):    sentence_seged = jieba.cut(sentence.strip())    stopwords = stopwordslist('stop_word.txt')  # 這里加載停用詞的路徑    outstr = ''    for word in sentence_seged:        if word not in stopwords:            if word != '\t':                outstr += word                outstr += " "    return outstr

    其中stop_word.txt是小編之前在網(wǎng)上找到的一個存放一些常用特殊字符的txt文件，這個文件內(nèi)容可以看看下圖。

    如上圖所示，大概有1894個詞左右，其實在做詞頻分析的時候，使用停用詞去除特殊字符是經(jīng)常會用到的，感興趣的小伙伴可以收藏下，也許后面你會用到呢？代碼和數(shù)據(jù)我統(tǒng)一放到文末了，記得去取就行。經(jīng)過這一輪的數(shù)據(jù)處理之后，我們得到的數(shù)據(jù)就基本上沒有太多雜亂的字符了，如下圖所示。

    得到這些數(shù)據(jù)之后，接下來我們需要對這些詞語做一些詞頻統(tǒng)計，并且對其進行可視化。如果還有想法的話，也可以直接套用詞云模板，生成漂亮的詞云圖，也未嘗不可。

四、詞頻統(tǒng)計

    關(guān)于詞頻統(tǒng)計這塊，小編這里介紹兩種方法，兩個代碼都是可以用的，條條大路通羅馬，一起來看看吧！

方法一：常規(guī)處理

    這里使用的是常規(guī)處理的方法，代碼親測可用，只需要將代碼中的1.txt進行替換成你自己的那個需要分詞統(tǒng)計的文檔即可，然后系統(tǒng)會自動給你生成一個Excel表格和一個TXT文件，內(nèi)容都是一樣的，只不過一個是表格，一個是文本。

#!/usr/bin/env python3# -*- coding:utf-8 -*-
import sysimport jiebaimport jieba.analyseimport xlwt  # 寫入Excel表的庫
# reload(sys)# sys.setdefaultencoding('utf-8')
if __name__ == "__main__":
    wbk = xlwt.Workbook(encoding='ascii')    sheet = wbk.add_sheet("wordCount")  # Excel單元格名字    word_lst = []    key_list = []    for line in open('1.txt', encoding='utf-8'):  # 1.txt是需要分詞統(tǒng)計的文檔
        item = line.strip('\n\r').split('\t')  # 制表格切分        # print item        tags = jieba.analyse.extract_tags(item[0])  # jieba分詞        for t in tags:            word_lst.append(t)
    word_dict = {}    with open("wordCount_all_lyrics.txt", 'w') as wf2:  # 打開文件
        for item in word_lst:            if item not in word_dict:  # 統(tǒng)計數(shù)量                word_dict[item] = 1            else:                word_dict[item] += 1
        orderList = list(word_dict.values())        orderList.sort(reverse=True)        # print orderList        for i in range(len(orderList)):            for key in word_dict:                if word_dict[key] == orderList[i]:                    wf2.write(key + ' ' + str(word_dict[key]) + '\n')  # 寫入txt文檔                    key_list.append(key)                    word_dict[key] = 0
    for i in range(len(key_list)):        sheet.write(i, 1, label=orderList[i])        sheet.write(i, 0, label=key_list[i])    wbk.save('wordCount_all_lyrics.xls')  # 保存為 wordCount.xls文件

方法二：使用Pandas優(yōu)化處理

    這里使用Pandas方法進行處理，代碼如下，小編也是親測有效，小伙伴們也可以去嘗試下。

def get_data(df):    # 將食品添加劑這一列空的數(shù)據(jù)設(shè)置為無    # print(df)    df.loc[:,'食品添加劑'] = df['食品添加劑'].fillna('無')    df.loc[:,'保質(zhì)期'] = df['保質(zhì)期'].fillna('無')    df.loc[:, '配料表'] = df['配料表'].fillna('無')
    #  分詞并擴展提取    names = df.配料表.apply(jieba.lcut).explode()    #  過濾長度小于等于1的詞并去重    df1 = names[names.apply(len) > 1].value_counts()
    with pd.ExcelWriter("taobao.xlsx") as writer:        df1.to_excel(writer, sheet_name='配料')
    df2 = pd.read_excel('taobao.xlsx', header=None, skiprows=1, names=['column1', 'column2'])    print(df2)

五、總結(jié)

    大家好，我是Python進階者。本文寫到這里，基本上就告一段落了。本文基于一份雜亂的淘寶原始數(shù)據(jù)，利用正則表達式re庫和Pandas數(shù)據(jù)處理對數(shù)據(jù)進行清洗，然后通過stop_word停用詞對得到的文本進行分詞處理，得到較為”干凈“的數(shù)據(jù)，之后利用傳統(tǒng)方法和Pandas優(yōu)化處理兩種方式對數(shù)據(jù)進行詞頻統(tǒng)計，針對得到的數(shù)據(jù)，下一步將利用Pyecharts庫，進行多重可視化處理，包括但不限于餅圖、柱狀圖、Table表、漏斗圖、極化圖等，通過一系列的改進和優(yōu)化，一步步達到想要的效果，可以說是干貨滿滿，實操性強，親測有效。

    最后非常感謝程序大佬和小小明大佬在期間不斷提供的代碼，也感謝我自己花時間和心思把這些看似雜亂的消息整理成文，分享給大家學(xué)習(xí)。有需要本文中完整代碼文件的小伙伴，可以在后臺直接回復(fù)關(guān)鍵詞”程序和小小明大佬“即可獲取。

    我的這個Python交流群已經(jīng)300多人了，有需要加入該群的小伙伴可以加我好友，一起學(xué)習(xí)，共同進步。

------------------- End -------------------

往期精彩文章推薦：

• 手把手教你用Python改造一款外星人入侵小游戲

• 手把手教你用Python網(wǎng)絡(luò)爬蟲+自動化來創(chuàng)建一位屬于你自己的虛擬女票(附源碼)

• Python也能操作Mysql數(shù)據(jù)庫

• 盤點那些年我們一起玩過的網(wǎng)絡(luò)安全工具
  

歡迎大家點贊，留言，轉(zhuǎn)發(fā)，轉(zhuǎn)載，感謝大家的相伴與支持

想加入Python學(xué)習(xí)群請在后臺回復(fù)【入群】

萬水千山總是情，點個【在看】行不行

/今日留言主題/

隨便說一兩句吧~~