本文作者:郭泽源,中南财经政法大学金融学院
本文编辑:周一鸣
技术总编:王玉婷
Stata and Python 数据分析

css 选择器进行源代码的解析。代码如下:
import requestsimport parselimport csvif __name__ == "__main__":csv_qne = open('去哪儿旅行.csv', mode='a', encoding='utf-8-sig', newline='')csv_writer = csv.writer(csv_qne)csv_writer.writerow(['标题', '短评', '浏览量', '天数', '人物', '人均费用', '玩法'])for page in range(1,100):# 获取所有页面详情页URLurl = f'https://travel.qunar.com/travelbook/list.htm?page={page}&order=hot_heat'response = requests.get(url)html_data = response.textselector = parsel.Selector(html_data)url_list = selector.css('body > div.qn_mainbox > div > div.left_bar > ul > li > h2 > a::attr(href)').getall()for detail_list in url_list :detail_id = detail_list.replace('/youji/','')detail_url = 'https://travel.qunar.com/travelbook/note/' + detail_idresponse_1 = requests.get(detail_url)data_html_1 = response_1.textselector_1 = parsel.Selector(data_html_1)title = selector_1.css('.b_crumb_cont *:nth-child(3)::text').get()comment = selector_1.css('.title.white::text').get()count = selector_1.css('.view_count::text').get()days = selector_1.css('#js_mainleft > div.b_foreword > ul > li.f_item.howlong > p > span.data::text').get()people = selector_1.css('#js_mainleft > div.b_foreword > ul > li.f_item.who > p > span.data::text').get()money = selector_1.css('#js_mainleft > div.b_foreword > ul > li.f_item.howmuch > p > span.data::text').get()play_list = selector_1.css('#js_mainleft > div.b_foreword > ul > li.f_item.how > p > span.data span::text').getall()play = '、'.join(play_list)print(title, comment, count, days, people, money, play)csv_writer.writerow([title, comment, count, days, people, money, play])csv_qne.close()import pandas as pddata = pd.read_csv("去哪儿旅行.csv")res = data.dropna(how="all")res.to_csv("去哪儿1.csv", index=False)
import pandas as pdimport numpy as np#读取文件df1 = pd.read_csv("去哪儿1.csv")df2 = pd.read_csv("去哪儿2.csv")df3 = pd.read_csv("去哪儿3.csv")df4 = pd.read_csv("去哪儿4.csv")df5 = pd.read_csv("去哪儿5.csv")#合并df = pd.concat([df1,df2,df3,df4,df5])df.drop_duplicates() #数据去重#保存合并后的文件df.to_csv('去哪1-5.csv',encoding = 'utf-8-sig')

import pandas as pdimport retitle = pd.read_csv('去哪1-5csv')#城市名字提取title_info = title['标题']title_list = title_info.values.tolist()new_title_list = []for data in title_list:if re.match(r'.*旅游攻略',data) != None:new_title_list.append(data)title_str = " ".join(new_title_list)print(title_str)city_list = re.findall(r'(.*?)旅游攻略',title_str)print(city_list)# 进行词频统计import jiebacity_dic = {}for city in city_list:city_dic[city] = city_dic.get(city,0) + 1print(city_dic)#对前三十名城市进行排序sort_data = sorted(city_dic.items(),key=lambda a:a[1],reverse=True)[:30]print(sort_data)data1 = dict(sort_data)print(data1)for a,b in data1.items():print(str(a) + ":"+str(b))

import wordcloudimages = Image.open("picture.jpg")maskImages = np.array(images)wc = wordcloud.WordCloud(width=1500, height=1500, background_color='white',font_path='C:\\Windows\\Fonts\\STFANGSO.ttf',mask=maskImages,scale=25)wc.generate_from_frequencies(data1)wc.to_file("city.jpg")

重磅福利!为了更好地服务各位同学的研究,爬虫俱乐部将在小鹅通平台上持续提供金融研究所需要的各类指标,包括上市公司十大股东、股价崩盘、投资效率、融资约束、企业避税、分析师跟踪、净资产收益率、资产回报率、国际四大审计、托宾Q值、第一大股东持股比例、账面市值比、沪深A股上市公司研究常用控制变量等一系列深加工数据,基于各交易所信息披露的数据利用Stata在实现数据实时更新的同时还将不断上线更多的数据指标。我们以最前沿的数据处理技术、最好的服务质量、最大的诚意望能助力大家的研究工作!相关数据链接,请大家访问:(https://appbqiqpzi66527.h5.xiaoeknow.com/homepage/10)或扫描二维码:
最后,我们为大家揭秘雪球网(https://xueqiu.com/)最新所展示的沪深证券和港股关注人数增长Top10。


对我们的推文累计打赏超过1000元,我们即可给您开具发票,发票类别为“咨询费”。用心做事,不负您的支持!
What’ new ? 速通Stata 18
用`fs`命令批量获取文件夹和不同文件夹下的excel文件
自然语言处理之实例应用JSON帮手,FeHelper
最新、最热门的命令这里都有!
Stata绘制条形图的进阶用法
Stata绘制饼形图的进阶用法
微信公众号“Stata and Python数据分析”分享实用的Stata、Python等软件的数据处理知识,欢迎转载、打赏。我们是由李春涛教授领导下的研究生及本科生组成的大数据处理和分析团队。
武汉字符串数据科技有限公司一直为广大用户提供数据采集和分析的服务工作,如果您有这方面的需求,请发邮件到statatraining@163.com,或者直接联系我们的数据中台总工程司海涛先生,电话:18203668525,wechat: super4ht。海涛先生曾长期在香港大学从事研究工作,现为知名985大学的博士生,爬虫俱乐部网络爬虫技术和正则表达式的课程负责人。
此外,欢迎大家踊跃投稿,介绍一些关于Stata和Python的数据处理和分析技巧。

