用Python分析淘宝2000款避孕套，得出这些有趣的结论

一、分析目标

数据分析之前我们需要清楚的知道自己想要分析什么东西，也就是先搞清楚我们的目标。在公司可能是公司财报、用户增量变化、产品受欢迎程度、一些报表等等。

那我们今天的目标有哪些呢？我们来看看：

1. 分析避孕套标题高频关键字
2. 分析避孕套标题高频关键字 与 商品数量关系
3. 分析避孕套标题高频关键字 与 平均销量关系
4. 分析避孕套标题高频关键字 与 平均售价关系
5. 分析避孕套商品价格区间分布关系
6. 分析避孕套商品销量区间分布关系
7. 分析避孕套商品价格区间 与 平均销量关系
8. 分析避孕套商家数量全国分布关系
9. 分析避孕套商家全国平均销量关系

注意： 以上数据分析全部基于上次爬取的2500款淘宝商品（默认排序），并不代表淘宝所有避孕套商品！

二、分析实现

有了明确的目标之后，我们就要开始技术选型。

首先数据处理的库这个很好确定，基本就是numpy和pandas这两个必备的库，所以大家首先确保已经安装了这两个库。

然后数据可视化库呢？这么多可视化库该怎么选？如果你不知道怎么选，那猪哥给你推荐：pyecharts 这个由中国人开发的可视化库，想要什么类型的图在下面文档里面找就行。

中文文档：https://pyecharts.org/#/zh-cn/intro 源码地址：https://github.com/pyecharts/pyecharts

最后技术选型完毕，我们就可以开始正式的敲代码分析了。（分析的标题将和上面的分析目标一一对应）

0.数据清洗

在我们数据分析之前，我们需要对数据进行清洗。因为从淘宝爬取下来的数据并不是标准的数据，比如：商品销量，爬取下来的数据是：2.5万+人付款，我们需要将它转为：25000（整型），这样才方面后面的处理！

我们先来看看从淘宝爬取的原始数据，看看那些数据需要清洗

根据使用库的经验猪哥认为有两列数据需要清洗：1、销量转成整型 2、地区转成只包含省份，具体如何清洗我们直接看代码吧！

大家可以看到最后猪哥又从新生成了一个excel文件，目的就是不去污染原始数据，因为原始数据非常重要，所以我们在以后的数据处理中要尽量保存好原始数据，多备份几个都不多余！

1.分析避孕套标题高频关键字

数据清洗完毕之后，我们就可以开始分析了。

分析标题高频关键字这都是老生常谈的一个流程，也就是使用jieba分词，然后统计词频，最后生成一个词云图，我相信经常看猪哥公众号的同学看都看腻了吧，这种小功能闭着眼睛都会了。

十几行代码就搞定了，我们来看看效果图吧

分析结论：

1. 从整体看商家取名偏爱情趣二字
2. 从材质看尿酸的最多
3. 从功能看颗粒、螺纹的较多

ps：别问猪哥最中意哪个词，问就是延时。

2.分析避孕套标题高频关键字 与 商品数量关系

上面我们只看到大概哪些功能受欢迎，如果需要看具体的数据怎么办呢？

我们就来统计一下包含这些高频关键词的商品数据数量吧，代码讲解在图片下方，下同！

我们取最高频的20个关键字，然后遍历所有数据的标题中是否包含其中关键字，如果包含则该关键字的value就+1。来看看生成的柱状图效果吧！

分析结论：

1. 包含情趣二字的商品有1150款，占到总数（2500款+）的46%。
2. 前三甲是：情趣、尿酸、颗粒

ps：猪哥有个疑问想请教各位老司机：这个 免洗 是咋玩的？

3.分析避孕套标题高频关键字 与 平均销量关系

这个分析有意思了，就相当于用户更喜欢哪种功能或者材质的套套。

高频关键字与平均销量分析数据的实现方法是，同样遍历所有数据的标题，如果包含某个关键字，则把该项数据的销量放在关键字的value中（一个list），统计完后再对每个关键字的value进行求平均值，最后再根据平均销量排序。来看看效果吧！

分析结论：

1. 螺纹功能平均销量最高，大家的最爱
2. 功能平均销量前三分别是：螺纹、颗粒、狼牙
3. 小号竟然上榜，哈哈

ps：有很多同学问：为什么不是超薄？超薄自己是爽了，可女朋友呢？

4.分析避孕套标题高频关键字 与 平均售价关系

分析完大家喜欢的功能，再来分析下这些功能的价格如何？哪些功能的避孕套比较贵呢？

高频关键字 与 平均售价关系分析原理与上面是相似的，使用的同一个方法，只不过是将原来的销量换成价格，来看看效果图吧！

分析结论：

1. 可以看到前排几个基本都是关于材质的
2. 凝胶、透明质、免洗这三项均价最贵，超过100大洋

ps：类似凝胶、透明质、免洗的哪位老司机用过，和一般的有啥区别？

5.分析避孕套商品价格区间分布关系

商品的标题和功能差不多分析完了，我们来分析下价格吧！

猪哥人为的对价格进行了划分，一共分为：’0-20’, ‘21-40’, ‘41-60’, ‘61-80’, ‘81-100’, ‘101-120’, ‘121-150’, ‘151-200’, ‘200以上’这9个区间，然后对数据切割、统计、排序，最后分别生成柱状图和饼图。

分析结论：

1. 价格区间在21-40的商品最多为778款，大约占比31%。
2. 价格在一百以内与超过一百的商品比大概为7:1

ps：没想到还有这么多超过100块的，我想问下200块价格的套套是啥感觉？

6.分析避孕套商品销量区间分布关系

分析完价格当然是分析销量区间了

销量区间分布分析实现原理：认为为销量分区，大概分为：’一千以内’, ‘一千到五千’, ‘五千到一万’, ‘一万到五万’, ‘五万到十万’, ‘十万以上’，这六个区间，然后同上方法进行统计、排序最后可视化。

分析结论：

1. 销量在1000以内的最多，大概占比90%
2. 销量过万的一共也才10款，说明爆款真的很少
3. 有一款套套销量竟然超过10万

ps：想知道那款超过10万销量的避孕套商品信息吗？关注猪哥微信公众号「裸睡的猪」回复：爆款套套，即可查看！

7.分析避孕套商品价格区间 与 平均销量关系

假如你是一个避孕套卖家，新推出一款避孕套，你想知道价格定为多少销量才会比较高呢？

这时候我们就可以通过分析价格与商品的销量关系，用实际的数据来定价，这也正是数据分析的价值之一。

商品价格区间 与 平均销量关系分析实现原理是：使用pandas自动分区将价格划分为12个分区，然后对销量数据分组、求平均值，来看看可视化之后的效果。

分析结论：

1. 定价在31.9-39这个区间平均销量最高，为893
2. 定价在10元以内的销量竟然高居第二

ps：谁用过10以内一盒的套套，出来走走

8.分析避孕套商家数量全国分布关系

标题、价格、销量都分析过了，最后我们还分析下商家位置的数据。

分析的目标是统计全国各省避孕套商家数量，然后做成热力图和柱状图。

统计商家数量还是比较简单，因为我们之前在数据清洗的时候已经只保留了省份数据，所以直接value_counts()就可以得到想要的数据，看看效果如何！

分析结论：

1. 避孕套商家前三甲：广东、上海、浙江

ps：贵州四周都有卖套套的，为何就它没有？难道和地理有关？

9.分析避孕套商家全国平均销量关系

分析完商家数后，我们来看看各省的平均销量吧。

商家全国平均销量关系分析实现原理：我们新创建一个透视表并对销量求平均值，然后再排序，最后生成热力图和柱状图。

分析结论：

1. 出乎意料的是山西39个商家平均销量竟然是第一为1535。

ps：为何山西平均销量是第一？原因是啥真想不通

三、总结

通过上面的数据分析，我们得到了一些有趣的结论：

1. 用户偏爱螺纹、颗粒、狼牙等功能
2. 凝胶、透明质、免洗这三项均价最贵，超过100大洋
3. 价格区间在21-40的商品最多为778款，大约占比31%
4. 销量在1000以内的最多，大概占比90%
5. 定价在31.9-39这个区间平均销量最高，为893
6. 避孕套商家数量前三甲：广东、上海、浙江
7. 山西省平均销量最高为山西

通过上述分析结果，如果猪哥作为一个避孕套商家，想要推出一款产品，设置标题带螺纹、颗粒、狼牙，价格设置在31.9-39元，这样可能会更畅销一些。

数据分析作为一把利刃，能让你看见别人看不见的事物，如果使用得当完全可以作为你创业的一个重要支点！

最后猪哥再送你一句忠告：想学数据分析，一定要学好pandas！

源码：

https://github.com/pig6/taobao_spider