首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >爬取3万景点,分析十一哪里人从众从人?

爬取3万景点,分析十一哪里人从众从人?

作者头像
朱小五
发布2019-11-26 14:23:29
3700
发布2019-11-26 14:23:29
举报
文章被收录于专栏:凹凸玩数据凹凸玩数据

获取数据

首先,我们来明确一下我们想要爬取的数据是哪些,这里为了方便起见,我们先以目前国内最热门的城市——杭州为例:

图中的景点名称,地址,评分,景区质量等级、点评数量就是我们本次要获取的数据。其中点评数量正是本次作为判断该景点是否人数会多的重要依据。

翻页即可发现页码变化的规律

这次采用requests+美丽的汤(BeautifulSoup)来爬取。

def get_list(urls,city):    data = []
    for i in range(1,3):
        #爬取n页
        url = 'https://you.ctrip.com/sight/'+str(urls)+'/s0-p'+str(i)+'.html#sightname'
        results = {}
        doc = requests.get(url, headers=headers)
        while (doc is None or doc == {'code': -460, 'msg': 'Cheating'}):
            print('重新获取!')
            time.sleep(random.random())
            doc = restaurant(url)

        soup = BeautifulSoup(doc.text, features='lxml')

        list_wide_mod2 = soup.find_all('div', class_='list_wide_mod2')[0]
        for each1, each2 in zip(list_wide_mod2.find_all('dl'), list_wide_mod2.find_all('ul', class_='r_comment')):
            name = each1.dt.a.text
            addr = each1.find_all('dd')[0].text.strip()
            level = each1.find_all('dd')[1].text.strip().split('|')[0].strip()
            if '携程' in level:
                level = ''
            try:
                price = each1.find_all('span', class_='price')[0].text.strip().replace('¥', '')
            except:
                price = '0'
            score = each2.find_all('a', class_='score')[0].text.strip().replace('\xa0分', '')
            comments = each2.find_all('a', class_='recomment')[0].text.strip()[1: -3].replace('条', '')
            results = [city, name, addr, level, price, score, comments]
            data.append(results)

    final_result = pd.DataFrame(data)
    final_result.columns=['city', 'name', 'addr', 'level', 'price', 'score', 'comments']
    final_result.to_csv("%s景点数据.csv"%city,encoding="utf_8",index = False)
    return final_result

依次爬取150个热门城市

汇总后就获得了3万余条景点数据。

数据分析

清洗填充一下。

def data_cleaning(data):
    cols = data.columns
    for col in cols:
        if data[col].dtype ==  'object':
            data[col].fillna('缺失数据', inplace = True)
        else:
            data[col].fillna(0, inplace = True)
    return(data)

按照评论数量排序,筛选前20的景点。

#排序TOP20
data['comments'] = data['comments'].astype('int')
df = data.sort_values(by="comments",ascending=False)
df.head(20)

以上这些景点城市是之前的热门,也是仍旧是这次十一最可能人挤人的地方,请注意。

详情数据分析报告请点击:

数据可视化

首先我们将上面的Top20做个词云,更加直观地展示。

消费价格也是衡量景区的一个方面,所以打算区分一下景区的消费价格。

python中对列表以区间进行统计,可以使用下面这个方法:

from itertools import groupby

lst = [1, 1, 1, 2, 3, 4, 4, 5, 5, 6, 7, 7, 7, 7, 8, 9, 9, 9, 10, 99, 99, 99, 100, 101]
dic = {}

for k, g in groupby(lst, key=lambda x: (x-1)//10):
    dic['{}-{}'.format(k*10+1, (k+1)*10)] = len(list(g))

print(dic)

根据得到的结果,我们可以绘制热门旅游景区消费价格区间分布饼图。

from matplotlib import pyplot as plt 

#调节图形大小,宽,高
plt.figure(figsize=(5,8))

#定义饼状图的标签,标签是列表
labels = ['0-50元 ', '50-100元 ', '100-150元 ', '150-200元 ', '200及以上 ']
#每个标签占多大
sizes = [33660, 1542, 539, 289, 276]
colors = ['red', 'orange', 'green', 'blue', 'gray', 'goldenrod']

explode = (0, 0, 0, 0, 0.1)

patches,l_text,p_text = plt.pie(sizes,explode=explode,labels=labels,colors=colors,
                                labeldistance = 1.1,autopct = '%3.1f%%',shadow = False,
                                startangle = 90,pctdistance = 0.6)

plt.title(u'热门旅游景区消费价格区间分布', fontsize=20)

for t in l_text:
    t.set_size=(30)
for t in p_text:
    t.set_size=(50)
# 设置x,y轴刻度一致,这样饼图才能是圆的
plt.axis('equal')
plt.legend()
plt.show()

其实国内大部分的景点门票费用并不贵,我们旅途中花销最大的是车票+酒店。

国庆出去玩一趟,实在太难了,每一个国庆去热门景区洗礼过的朋友,都是抱着关关难过关关过的悲壮心态,努力留下几张美好的照片,多吃几口当地的美食,以安慰自己,这一趟,值得。

无论你选择家里蹲七天享受难得的闲暇,还是出去走走见识更大的世界,都祝你国庆七天,跟随本心,快快乐乐

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2019-09-30,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 凹凸数据 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档