这是我数据可视化的期末项目，总体来说我觉得项目呈现达到了我想要的效果
代码开源在我的github仓库，文末会附上链接

大数据安全套分析

数据大屏的呈现

引言

随着时代的发展，性文化对年轻人的影响越来越大，性行为也更趋向于年轻化。但是，性爱虽好，也要学会保护自己，那么选一个合适的Condom就显得尤为重要，本次项目选择了4个品牌（杜蕾斯、冈本、杰士邦、私激），选取销量最高的共计7件商品的评论来进行数据分析和可视化处理，帮助大家有目的的去选择condom，同时分析condom的淘宝搜索关键字词频，寻找出适合提高搜索范围的关键词，分析地区销售量并进行可视化。

下面是开始该项目前绘制的思维导图：

一、获取数据

一切的开始都是建立在数据之上，首要任务是获取数据。对于商品来说，能够展现其在市场的反响的数据，就是该商品的评论。但是，评论都可以人为的去刷，那么该如何去应对这样的刷屏？答案是——追评。正常来说，你购买一个商品之后，它非常好用，或者非常差劲，才会让你点开淘宝评论去给它写个追评。一定程度上来说，追评可以帮我们过滤掉那些刷出来的好评，从而增加数据的可信程度。

确定好了数据，接下来就要考虑如何获取数据。一页一页的复制粘贴肯定是不可能的，这里我选择使用爬虫爬取。

爬虫

俗话说：爬虫学的好，牢饭吃的早

爬虫可以快速爬取网站上的数据，并且架构十分简单。这里我使用的是request库。

1、爬取商品追评

首先爬取7件商品的前100页追评，在试验阶段是想爬取1000页的，每页20条评论，这样就会有20000条评论。可是当开始爬取之后发现了问题。

在大概100页之后的每一页追评数据都是一样的。考虑了两种情况：

• 淘宝的反爬机制，不允许爬取更多的数据。（大概率是这种情况）

• 在100页后的数据不再更新，因为不会有人去浏览100页后的数据。

测试了许多次都是这样。所以们选取前100页、每件商品共计2000条的追评数据进行处理分析。

2、爬取商品信息

我们在淘宝首页选取以”避孕套“为关键字搜索，对搜索返回的页面信息进行数据爬取。

淘宝反爬的解决

在爬取淘宝的时候我经常被淘宝的反爬机制给盾：

也尝试使用了IP池，但是网站上的免费IP基本都无法使用。在不停的试错中找到了一个很好的方法：sleep

在爬取的for循环中设置sleep函数，每请求爬取一次页面数据，就睡眠一段时间（测试下来7，12s之间，一次都没被盾）。这样可以让淘宝认为你是人在访问，而不是爬虫，就不会出现滑块验证这种东西。

二、数据处理、构思

1、数据处理

获取数据过后，先简单的观察一下数据。对于商品的追评，没有什么需要注意的。但是关键字搜索爬取到的信息有点问题

可以看到，地区后面跟有市级城市名称，付款人数不全是数字，还有汉字和符号。

• 考虑到后续需要绘制全国地图，需要的是省级地名，那么地区列中的市级城市名称就是需要省略的
• 付款人数需要进行转变 例如：1.5万+人付款 ----> 15000
• 可能会出现大数吃小数的情况，但是由于无法获取到具体的销售量，这里选择忽略

结巴分词

这里用到一个很有意思的库：jieba库

它是用来拆词用的，将一句话拆成一个个词组，可以便于我们统计词频，从而分析我们爬取的评论

通过算法统计后，可以很清楚的知晓词频，知道了一些词的词频有助于我们判断这件商品是否好用。就像上图所示数据，在2000条数据中，”不好“、”垃圾“、”假货“的词频总和超过了500条，如果每一条评论中出现一次，那么差评率将高达25%。但是这样计算我们也忽略了，是否有评论连续打10个垃圾？但是这也反映出顾客对商品的极度不满，所以我们选择保留。

2、数据构思

在处理完数据之后，我得到了七件商品的追评和搜索后的商品数据，当然这些都是通过结巴分词处理好的文件。

当然还有一份商品信息的数据

打码防止图片挂掉

就这些数据而言，我需要可视化的情况有：全国销售商的销售量、每件商品前十的词频柱状图、价格区间、全国地区的商家数量、搜索关键词的各个词频。

有了这些构思，接下来就进行数据的可视化处理

三、数据可视化

1、销售商销售量

选取不同地区销售商的销售量总和来绘制（PS:由于无法获取到全国地区的买家信息，我只能站在客户的角度对销售商进行分析）

可以看到，上海周边的商家销售量是最高的，广州地区也有很大的产出。所有的销售商都集中在中国的东南沿海方向，但是在西部和北部的销售商却寥寥无几，甚至没有（淘宝商品前50页）

2、每件商品前十评论柱状图

有七件商品，考虑到最后的呈现效果，这里选择使用pyecharts的时间轴组件，将商品名称作为时间轴的标签

通过时间轴滚动播放可以看到不同商品的追评词频

这里通过分析可以知道，焕金超薄的差评词汇出现的非常多，不建议大家购买；冈本001超薄是口碑最好的产品，虽然也有些许差评，但总体而言大家可以放心购买

3、价格区间分布

价格也是衡量一个商品销售量的重要指标，每当生产出一件商品，需要对市场的价格有所了解和分析才能确定销售价格，不然盲目的定价只会被市场的大流冲散。

这里我选用饼状玫瑰图进行绘制

可以看到，在20~40区间的销售量是最高的，但同时我也发现，价格在100以上的也有不少的人数。考虑到现在避孕套市场的普遍售价，100以上的应该是囤货。

4、商家分布

比较好奇哪里商家多，就画出来看看

绘制完图形后发现一个问题，商家的分布和地区商家销售量有非常直接的关系，商家分布的前三甲是上海、广东、浙江，同样的全国不同地区商家销售总量的前三甲也是上海、浙江、广东。

但是排列顺序不一样，所以我选择不同地区商家的平均销售量绘制图形，看看有没有新的发现

5、不同地区商家平均销售量

有意思的事情发生了，山西名列榜首，其次才是浙江。上海的平均销售量连前三都没有碰到。而江苏勇夺了第三的宝座。

6、搜索关键词的词频

搜索商品后返回商品界面的呈现也是一门学问，如果你的商品信息包含了人们喜欢搜索的词组，那么被呈现在前面的概率就越高，你的商品就能以更高的曝光率呈现在顾客的视线里面。这里我选择使用词云图绘制

可以看到，超薄是绝大多数产品所出现的关键词，同时一些新颖而且高频的词也呈现了出来，如尿酸、情趣、持久、颗粒。

7、差评率表格绘制

我选择【‘不好’，‘垃圾’，‘差评’】为差评词组的参考，绘制如下表格

可以看到，私激和冈本001在排名前五十的词组中没有差评，但是杜蕾斯的焕金超薄差评率达到了惊人的27%

四、结论总结

根据上图所示数据，如果我是一个新晋的避孕套销售商，我会有以下的考虑：

• 我可能会考虑去山西分一杯羹，因为山西的平均销售量是最高的。
• 内陆也是不错的选择，由于沿海到内陆地区的物流速度影响，在内陆进行销售可以让内陆消费者购买的商品有更短的配送时间、更少的运输成本。可见内陆市场也是一块大蛋糕。
• 内陆的前景是广阔的，因为销售商少，并且随着国家的发展，新疆西藏这些西部地区也在慢慢的发展起来，网络购物也会更加普及，这也是一个非常庞大的消费群体。更少的运输成本和时间是内陆销售的优势所在，有谁愿意等一个星期的快递呢？
• 对于销售商品的价格定位，如果是3只一盒的商品定位，我会选择定价在20~40这个区间；考虑到囤货的消费者也不在少数，也需要增添大包装的产品（12只装）来顺应消费者的购买习惯。
• 产品的定位：
  • 尿酸似乎是一个非常新颖的方向，我也去了解过，使用尿酸的避孕套在性爱过程中不容易干，这也是广大消费者需要的功能。
  • 颗粒、狼牙、情趣这些关键词也有一定的指向性，消费者喜欢玩一些花里胡哨的，那么衍生一下，使用情趣内衣、情趣玩具作为附加产品也会提高消费者的购买欲望，因为这些东西并没有太多专门的实体店去销售，就算有，这些私密物品大家往往也不会选择线下实体店去购买，那么网络销售将会挑起大梁。
  • 超薄是除开一些主要关键词（避孕套，安全套这些）出现频率最高的，冈本是这方面的领军人物，可以考虑和冈本企业谈合作关系。
  • 持久似乎是人们一直关注的问题，要是有外用产品可以提高持久性，那我相信肯定会卖爆掉。
  • 早泄是病，得治，别想着避孕套能解决你秒射。

同时重要的事情说三遍：不要卖假货！不要卖假货！不要卖假货！

这是一个销售商最重要的品质，也是消费者最关注的重心，所以不要售假。

记得正确选择、佩戴、使用避孕套，尽情爱,无意外。

---

github仓库：EEEasonlove