结束了前面枯燥的Python学习，大家都还好么？
反正，整理这6篇文稿，我是头秃一地。
为了慰问努力学习的你们，今天来点不一样的。
前些天，看到某公司对数据分析师的招聘要求有一条：
分析客户人群的购买习惯，并通过客户购买行为做出相关数据分析。
好项目，正好让大家练手Python，于是决定研究亚马逊上Top100的细分品类——女式内衣！！！的销售情况。
这个话题，遐想空间很大，各位老司机坐稳咯！
分析分为三步：数据采集、数据清理、可视化分析
第一步，采集数据。没有数据怎么办，用万能的Python爬嘛。
爬取商品排名和详情页链接，需要的字段为：排名、商品名、详情页链接。
爬取商品详情，需要的信息为：
店家：也就是竞争对手。分析其爆品情况，保留店家链接，后续可针对性挖掘分析；
价格：分析爆品价格区间，对商品定价有帮助；
上架时间：什么时候上的？爆了多久；
星级、评论数、评论标签、所有评论链接：爬取评论内容，来分析爆品的优劣势；
尺寸、颜色：嗯哼？也是非常有价值的参考数据；
图片链接：难道你不想看看商品长啥样吗？
第三步，数据转化为可视化图表，并做分析。
是不是迫不及待想要看过程了，来吧~
如何爬取内衣数据
Python爬数据很简单，我个人总结大致就 3点：
请求数据
进行数据处理
写数据
第一点 请求的数据
会有几种可能：
1、很简单的html页面，就直接requests就可以请求成功；
2、js渲染的页面 ，这种页面超多，requests请求一堆js数据；
3、需要登录才能获取，至今登录我都是用的cookie 请求登录，但应该有更好的办法；
4、json数据；
第二点 数据处理
会有几种可能：
1、请求的数据是简单的html结构页面——直接BS4解析就好了
2、请求的数据是json——导入json模块进行解析
3、请求的数据是简单的js渲染的html页面
遇到这种页面通过抓包或者简单的在网站上审查请求，然后找的你想要的那部分数据，如果是js渲染的html，其实就是js拼写的html，只要把其他无用的数据匹配掉用正则找到剩下想要的html文本就好了 。然后BS4解析。
第三点 写数据
open方法进行文件打开 里面的参数进行文件格式设置，读写文件、编码格式操作
with open("XXX.xxx","a",encoding="utf-8") as f :
f.write('''写入的数据''')
文件格式我用过的就是txt、csv 、xml 大部分文本格式都支持的。
a--是创建文件 每次写都是重新创建
w--是追加
a--是读数据
encoding="utf-8"这句话 不加encoding= 在windows系统下会报编码错误，linux不会。
然后就是数据量太大，写入到数据库数据库就用sqlite，记得引入模块 import sqlite3，就是创建数据表。
好了，不啰嗦，开始爬数据。
爬取过程分为三步，完整代码见文末，不用谢。
1、爬取商品排名和详情页链接
需要爬取的具体字段：排名（Rank），商品名（item_name），商品详情页链接（item_link）、商品图片链接（img_src）。
2、在商品详情页爬取更多商品信息
店家名、店家链接、商品名、价格
星级、评论标签
核心：
构建函数来获取单个商品的详细信息；
利用for循环，遍历商品详情页链接列表，来获取每个商品的详细信息
3、爬取评论
评论内容，星级
核心：
从上一步的csv文件中，读取Rank , item_name , reviews , reviews_link字段
构建函数读取每个商品的所有评论
利用for循环，获取所有商品的所有评论
存储到数据库和csv文件中
4、爬取size和color数据
和第三步基本一样，代码基本一样，主要在于要确认每页评论的size&color个数。
数据清洗和预处理
1、读取、清洗数据
从csv文件读取100个商品的数据，筛选出所需要的字段，进行数据清洗。
这里注意，部分读取的数据，看似是数值，实际是字符，因此需要进行类型转换（如price拆分后，还需要转为float型）
需要参与数值计算的NaN，使用平均值进行替换。
2、以商家维度处理数据
获取所需的数据：商家的星级、评论数总和、评论数均值、最低价均值、最高价均值、价格均值、商品数量、占比。针对星级、评论数均值、价格均值、商品数量做标准化处理，并计算加权分。
分析：歪果情趣内衣哪家强
1、不同商家的星级排名
平均星级达4.15分，高于平均分的商家超过一半（17/32）
Top1的LALAVAVA高达4.9分，紧随其后也有5家达到4.5分。
倒数第一N-pearI只有3.2分
让我看看LALAVAVA长什么样。亚马逊上的商品，看上去就是普通泳衣，米国人还是很保守的嘛~
但评分高真的就说明产品好吗？不如来看看评论数吧。
②不同商家的平均评论数排名
首先平均评论数只有193条，而且高于平均线的只有不到三成（12/32），想想淘宝动辄上万，我们的人口优势让米国人羡慕呀；
再来看星级Top1的LALAVAVA，评论数少得可怜，那么对其商品真实质量就要存疑了；
而星级倒数的N-pear I，同样评论数很少，那大概率其商品其实不咋地；
反观评论数Top1的Garmol，其星级评价4.4，口碑佳评论也多，看来是不错的商品；
紧随其后的几家，其星级分数就低于平均分了
那么，亚马逊的星级评价难道就只受评论数的几颗星比例影响吗？我查阅了网上的一些资料，发现亚马逊评价星级评定的三个重要因素：评论距离现在的时间，评论被买家投票采纳数，评论是否有verified purchase标志（意指真实买家）。此外，评论的字符数，被点击次数等因素也可能会对评论星级有影响。
看来，亚马逊对评论的监控和管理是非常严格而复杂的！当然，最重要的还是看看评论第一名的Garmol长什么样：
比上边的泳衣更点题了，大家说好才是真的好，very sexy！
3、不同商家的价格区间排名（按均价）
从图上来看，明显ELOVER锁定的是高端市场，定价区间在49刀左右；相反，Goddessvan定价仅0.39刀，还只有一款，猜测可能是亏本冲量，提高商家曝光，抢夺低端市场
从均价来看，基本分布在10-20刀间，说明这是情趣内衣市场的主要价格区间；但20-40刀区间居然没有任何商家，可以在这一块深入研究，看能不能找到证据说明该区间是蓝海，有更大的市场潜力
而从每个商家的价格区间来看，大多数都是采取多颜色或款式的策略，一方面为用户提供更多选择，另一方面也体现了商家的上新能力；而仅有少数几家采取了单一爆款的策略
最奢华的ELOVER看上去果然比较女神，缩略图都比别家更用心。
那么，到底哪个商家的策略更靠谱，市场份额更大呢？
4、商家的商品数量饼图
在Top100的商品占比中，Avidlove以28%的巨大优势称霸
而其他商家基本都是个位数的占比，没有很明显的优劣势
Avidlove的内衣是酷酷风的，我喜欢。
单一方面毕竟还是很难衡量哪家商家更优秀，不如综合多个指标来分析吧~
5、不同商家的加权分排名
将星级、平均评论数、商品均价、商品数量进行标准化处理后，因为不好拍定加权的比例，便将4项的归一化结果x10后直接累加得到总分，并制作成条形堆积图。
而每个商家的4项指标的占比，则侧面反映其自身的优劣势。
Avidlove，刚刚的酷酷风内衣，在其他三项中规中矩的情况下，以商品数量优势夺得综合分第一，有种农村包围城市的感觉
Garmol，主要依靠口碑（星级、平均评论数）的优势，夺得了第二名
ELOVER，主要依靠精准切分高端市场，夺得了第三名
N-pearI，没有任何优势，不出意料的光荣垫底
口碑最差的N-pearI，能搜到的商品也最少，不过图很劲爆，emm……然而不是我的菜
粗略来看的话，想要排名靠前，口碑一定不能太差，至少要保持在平均水平及以上！
6、不同商家的星级/价格散点图
用Python做了张散点图，x轴为商家的商品均价，y轴为商家的星级，点大小为商品数量，商品数量越大，点越大，点颜色为评论均值，评论均值越大，颜色越深红。
利用价格均值和星级均值，将图切分为四个象限：
①左上象限：实惠好评的商家
②右上象限：有点贵，但一分钱一分货的商家
③右下象限：贵，但质量不咋地的商家
④左下象限：便宜没好货的商家
所以借助这张散点图，挑商家买东西就容易多啦：
追求性价比，可选择Avidlove，而且商品多，任君挑选 ；
追求高端，可选择ELOVER，它贵有它的道理 ；
追求大众，可选择Garmol，评论数最多，而且好评居多 。
顾客可以根据自己的喜好挑选合适的商家，那么作为商家如何改进自己呢？
7、词频分析
前面在爬取的过程中，同样爬取了评论标签，通过对此进行词频分析，可以发现顾客最关心的依次是：
① 是否合身：size、fit等相关字眼多次出现且排位靠前
② 质量：good quality、well made；soft and comfortable、fabric是对材质的肯定
③ 款式：cute、sexy、like the picture你懂的
④ 价格：cheaply made勉强算价格吧，但更多是对商品质量的怀疑
⑤ 口碑：highly recommend，评论的还是非常有参考价值的
评论标签的数量较少，进一步对2.4w条评论进行词频分析，并制作成词云：
快夸我底图选得好！
最直观的，仍然是跟“是否合身”以及质量或款式有关。那么我们就从顾客购买商品的Size&Color继续分析
这里，Size&Color的词频数据存在几点问题：
1、数据量较少，仅有约6000条
2、Size&Color无法较好的区分开，因此一起分析
3、商家的命名规则不同，比如同样是黑色款，有个商家会命名black，而有的可能是style1（所以一些奇怪的数字编号其实是商家的款式编号）
4、有些奇怪的字眼如trim可能是爬虫时爬错了或者导出csv时的格式错乱
可以明显看出：
Size方面：large、medium、small肯定均有涵盖，但另外还有xlarge、xxlarge、xxxlarge，亚马逊主要是欧美顾客，可能体型相对较大，所以商家应该多研发以及备货针对体型较大的顾客的商品。
Color方面：非常直观：Black > red > blue > green > white > purple....所以黑色、红色永远不会错；绿色是出乎我意料的，商家也可以大胆尝试。
Style方面：词频中出现trim、lace字眼，蕾丝最高！！！
最后
在分析了Top100的商品信息和2.4w条评论后，作为一篇正经的python数据分析研究，我们来总结一下亚马逊情趣内衣产品和销售策略：
1、一定要注意的竞品
Garmol、ELOVER、Avidlove分别在口碑、定价、产品数量三个方向有其核心优势，是需要重点研究的竞争对手。
2、口碑很重要
Review和星级是影响口碑的重要因素，需要深入研究其算法机制并制定针对性的营销策略
Review和星级有基础要求
平均星级达4.15分，高于平均分的商家超过一半
平均评论数只有193条，高于平均线的商家约三成
Review相对淘宝评论较少，亚马逊的算法复杂且惩罚力度大，因此Review重精胜于重多
3、定价策略
主流市场竞争激烈，价格多集中在10-20刀间
高端市场有切入机会，目前仅ELOVER一家，价格在40-55刀间
低端市场价值不大，利润空间小，为了提高曝光或铺量可考虑，但不利于以后冲击中高端市场
中高端市场机会巨大，20-40刀区间暂无其他商家，有巨大的市场潜力
4、产品策略
应结合目标市场和定价，提高研发和上新能力，先多产品试错，再尝试单一爆款巩固市场
内衣尺寸：合身最重要，需贴合国外顾客的体型，一般large及以上。颜色上：保守可多使用黑色、红色，同时可大胆尝试绿色。款式上：多采用蕾丝装饰
质量和品控是底线
5、拓展&思考：
亚马逊Best Sellers是每小时更新一次，理论上可以每一小时爬一次，看商品的排名变化，是否有新品等 ，可以尝试自动化爬虫；
针对上一点，但商品的评论内容并不是经常更新的，如何去重避免重复爬取？（类似于断点续传功能）；
此次也有爬取商品图片的链接，可全部下载；在积累一定的图片素材以后，就可以一定程度上看出颜色、甚至是款式的趋势。
最后，一场脸红又心跳的数据分析就到这里，Python的学习也告一段落了。要是学到点啥，看到点啥就点个关注和好看吧~
代码和数据回复【内衣】获得！
下一篇开始，技术放一边，开始讲业务和指标，真正的秘籍干货！
10周入门数据分析·系列
第二周（Excel进阶）：数据分析必掌握的43个Excel函数
第五周（数据分析软件应用）：这可能是今年最值得推荐的数据分析工具
第六周（数据可视化）：10分钟做一个高端数据可视化，看完你也会！
第六周（数据可视化）：掌握这22个布局和配色技巧，90%的人都能做出酷炫可视化！
第七周（分析模型）：分析师需要掌握的25个商业模型（二）
第八周（Python）：Python数据分析（一）分析环境&数据结构
第八周（Python）：Python数据分析（三）NumPy
第八周（Python）：Python数据分析（四）Pandas
第八周（Python）：Python数据分析（五）Matplotlib做可视化
最后，觉得文章有价值，右下角点“好看”并转发朋友圈，你们的支持是我更文的动力！
