手把手教你用Python爬中國(guó)電影票房數(shù)據(jù)

本來(lái)以為上手就能寫(xiě)爬蟲(chóng)出圖，卻在看基礎(chǔ)的過(guò)程中消耗了一周又一周，以至于很多勵(lì)志學(xué)習(xí)Python的小伙伴犧牲在了入門(mén)的前一步。

于是，我總結(jié)了以下一篇干貨，來(lái)幫助大家理清思路，提高學(xué)習(xí)效率。總共分為三大部分：做Python數(shù)據(jù)分析必知的語(yǔ)法，如何實(shí)現(xiàn)爬蟲(chóng)，怎么做數(shù)據(jù)分析。

1.必須知道的兩組Python基礎(chǔ)術(shù)語(yǔ)

A.變量和賦值

Python可以直接定義變量名字并進(jìn)行賦值的，例如我們寫(xiě)出a = 4時(shí)，Python解釋器干了兩件事情：

• 在內(nèi)存中創(chuàng)建了一個(gè)值為4的整型數(shù)據(jù)

• 在內(nèi)存中創(chuàng)建了一個(gè)名為a的變量，并把它指向4

• 用一張示意圖表示Python變量和賦值的重點(diǎn)：

例如下圖代碼，“=”的作用就是賦值，同時(shí)Python會(huì)自動(dòng)識(shí)別數(shù)據(jù)類(lèi)型:

請(qǐng)閱讀代碼塊里的代碼和注釋，你會(huì)發(fā)現(xiàn)Python是及其易讀易懂的。

B.數(shù)據(jù)類(lèi)型

在初級(jí)的數(shù)據(jù)分析過(guò)程中，有三種數(shù)據(jù)類(lèi)型是很常見(jiàn)的：

• 列表list（Python內(nèi)置）

• 字典dict（Python內(nèi)置）

• DataFrame（工具包pandas下的數(shù)據(jù)類(lèi)型，需要import pandas才能調(diào)用）

它們分別是這么寫(xiě)的：

列表（list）：

??

list是一種有序的集合，里面的元素可以是之前提到的任何一種數(shù)據(jù)格式和數(shù)據(jù)類(lèi)型（整型、浮點(diǎn)、列表……），并可以隨時(shí)指定順序添加其中的元素，其形式是：

字典（dict）：

??

字典使用鍵-值（key-value）存儲(chǔ)，無(wú)序，具有極快的查找速度。以上面的字典為例，想要快速知道周杰倫的年齡，就可以這么寫(xiě)：

?

dict內(nèi)部存放的順序和key放入的順序是沒(méi)有關(guān)系的,也就是說(shuō)，"章澤天"并非是在"劉強(qiáng)東"的后面。

DataFrame：

DataFrame可以簡(jiǎn)單理解為Excel里的表格格式。導(dǎo)入pandas包后，字典和列表都可以轉(zhuǎn)化為DataFrame，以上面的字典為例，轉(zhuǎn)化為DataFrame是這樣的：

和excel一樣，DataFrame的任何一列或任何一行都可以單獨(dú)選出進(jìn)行分析。

以上三種數(shù)據(jù)類(lèi)型是python數(shù)據(jù)分析中用的最多的類(lèi)型，基礎(chǔ)語(yǔ)法到此結(jié)束，接下來(lái)就可以著手寫(xiě)一些函數(shù)計(jì)算數(shù)據(jù)了。

2.從Python爬蟲(chóng)學(xué)循環(huán)函數(shù)

掌握了以上基本語(yǔ)法概念，我們就足以開(kāi)始學(xué)習(xí)一些有趣的函數(shù)。我們以爬蟲(chóng)中繞不開(kāi)的遍歷url為例，講講大家最難理解的循環(huán)函數(shù)for的用法：

A.for函數(shù)

for函數(shù)是一個(gè)常見(jiàn)的循環(huán)函數(shù)，先從簡(jiǎn)單代碼理解for函數(shù)的用途：

?

因?yàn)閐ict的存儲(chǔ)不是按照l(shuí)ist的方式順序排列，所以，迭代出的結(jié)果順序很可能不是每次都一樣。默認(rèn)情況下，dict迭代的是key。如果要迭代value，可以用for value in d.values()，如果要同時(shí)#迭代key和value，可以用for k, v in d.items()

可以看到，字典里的人名被一一打印出來(lái)了。for 函數(shù)的作用就是用于遍歷數(shù)據(jù)。掌握f(shuō)or函數(shù)，可以說(shuō)是真正入門(mén)了Python函數(shù)。

B.爬蟲(chóng)和循環(huán)

for函數(shù)在書(shū)寫(xiě)Python爬蟲(chóng)中經(jīng)常被應(yīng)用，因?yàn)?b>爬蟲(chóng)經(jīng)常需要遍歷每一個(gè)網(wǎng)頁(yè)，以獲取信息，所以構(gòu)建完整而正確的網(wǎng)頁(yè)鏈接十分關(guān)鍵。以某票房數(shù)據(jù)網(wǎng)為例，他的網(wǎng)站信息長(zhǎng)這樣：

該網(wǎng)站的周票房json數(shù)據(jù)地址可以通過(guò)抓包工具找到，網(wǎng)址為http://www.cbooo.cn/BoxOffice/getWeekInfoData?sdate=20190114

仔細(xì)觀察，該網(wǎng)站不同日期的票房數(shù)據(jù)網(wǎng)址（url）只有后面的日期在變化，訪問(wèn)不同的網(wǎng)址（url）就可以看到不同日期下的票房數(shù)據(jù)：

?

我們要做的是，遍歷每一個(gè)日期下的網(wǎng)址，用Python代碼把數(shù)據(jù)爬下來(lái)。此時(shí)for函數(shù)就派上用場(chǎng)了，使用它我們可以快速生成多個(gè)符合條件的網(wǎng)址：

為了方便理解，我給大家畫(huà)了一個(gè)for函數(shù)的遍歷過(guò)程示意圖：

此處省略掉后續(xù)爬取過(guò)程，相關(guān)爬蟲(chóng)代碼見(jiàn)文末。我們使用爬蟲(chóng)爬取了5800+條數(shù)據(jù)，包含20個(gè)字段，時(shí)間囊括了從2008年1月開(kāi)始至2019年2月十一年期間的單周票房、累計(jì)票房、觀影人次、場(chǎng)均人次、場(chǎng)均票價(jià)、場(chǎng)次環(huán)比變化等信息。

3.Python怎么實(shí)現(xiàn)數(shù)據(jù)分析？

除了爬蟲(chóng)，分析數(shù)據(jù)也是Python的重要用途之一，Excel能做的事，Python究竟怎么實(shí)現(xiàn)呢；Excel不能做的事，Python又是否能實(shí)現(xiàn)呢？利用電影票房數(shù)據(jù)，我們分別舉一個(gè)例子說(shuō)明：

A.Python分析

在做好數(shù)據(jù)采集和導(dǎo)入后，選擇字段進(jìn)行初步分析可以說(shuō)是數(shù)據(jù)分析的必經(jīng)之路。在Dataframe數(shù)據(jù)格式的幫助下，這個(gè)步驟變得很簡(jiǎn)單。

比如當(dāng)我們想看單周票房第一的排名分別都是哪些電影時(shí)，可以使用pandas工具庫(kù)中常用的方法，篩選出周票房為第一名的所有數(shù)據(jù)，并保留相同電影中周票房最高的數(shù)據(jù)進(jìn)行分析整理：

9行代碼，我們完成了Excel里的透視表、拖動(dòng)、排序等鼠標(biāo)點(diǎn)擊動(dòng)作。最后再用Python中的可視化包matplotlib，快速出圖：

B.函數(shù)化分析

以上是一個(gè)簡(jiǎn)單的統(tǒng)計(jì)分析過(guò)程。接下來(lái)就講講Excel基礎(chǔ)功能不能做的事——自定義函數(shù)提效。觀察數(shù)據(jù)可以發(fā)現(xiàn)，數(shù)據(jù)中記錄了周票房和總票房的排名，那么剛剛計(jì)算了周票房排名的代碼，還能不能復(fù)用做一張總票房分析呢？

當(dāng)然可以，只要使用def函數(shù)和剛剛寫(xiě)好的代碼建立自定義函數(shù)，并說(shuō)明函數(shù)規(guī)則即可：

定義函數(shù)后，批量出圖so easy：

學(xué)會(huì)函數(shù)的構(gòu)建，一個(gè)數(shù)據(jù)分析師才算真正能夠告別Excel的鼠標(biāo)點(diǎn)擊模式，邁入高效分析的領(lǐng)域。