Jupyter Notebook将京东商品参数数据表做行列转换

2022-5-30 16:44| 发布者: Fuller| 查看: 3728| 评论: 0

摘要: 本模板对采集结果数据表进行类似于Excel的处理，把采集到的每个商品的多条excel记录(对应多个参数)，清洗成：每个商品一行，每个参数一列。

1. 关于本notebook

1.1. 数据分析师可以驾驭的数据处理模板

Excel是数据分析师的必备工具，众多功能可以满足绝大多数的数据清洗、转换、统计计算、可视化展示。而Jupyter Notebook这类交互式数据探索和分析工具代表了一股不容忽视的潮流，借助于Python编程的强大力量，数据加工的能力和灵活性已经有相当明显的优势，尤其是程序代码和文字描述可以混合编排，数据探索和数据描述做完了，一篇研究报告也基本上成型了。

然而Python毕竟是一个全功能的编程语言，对于非编程出身的数据分析师来说，Pandas，Numpy，Matplotlib这些词让人望而生畏。本系列Notebook将设法解决这个问题，让非编程出身的数据分析师能够忽略复杂的编程过程，专注于数据处理和统计分析部分，就像使用Excel的公式一样驾驭Python。

所以，我们将尝试发布一系列Jupyter Notebook，像文档模板，一些基本的程序环境设置、文件操作等固化下来，在设定的分析场景下不需要改动程序代码。而数据处理部分的代码可以根据需要截取选用。每一项功能用一个code cell存代码，不需要的处理功能可以删除。

1.2. 本模板适应的场景

本模板可以处理GooSeeker网络爬虫软件采集京东商品详情页面的参数列表而得到的数据表，采集的原始页面如下：京东商品参数页面

本模板对采集结果数据表进行类似于Excel的处理，把采集到的每个商品的多条excel记录(对应多个参数)，清洗成：每个商品一行，每个参数一列。

本Notebook按如下规则查找和处理excel数据表及字段：

1. 采集结果excel表放在data/raw中，当有多个excel文件存在时，处理第1个文件。下图是本模板自带的实例数据表：示例采集结果文件

2. 采集结果表中，需要有这几个字段：商品名称，价格，category，参数名，参数值，_fullpath（商品网址，会作为唯一性关键词）：示例采集结果文件字段

3. 清洗处理后的excel表，保存在data/processed下

1.3. 使用方法

基本操作顺序是：

1. 使用GooSeeker网络爬虫软件采集京东商品详情页面的参数列表(以iphone13和oppo K10 Pro为例)，并导出数据表

2. 将导出的数据表放在本notebook的data/raw文件夹中

3. 从头到尾执行本notebook的单元

注意：每个notebook项目目录都预先规划好了，具体参看Jupyter Notebook项目目录规划参考。如果要做多个分析项目，把整个模板目录专门拷贝一份给每个分析项目。

1.4. 简要技术说明

下文注明【编程细节】的文字，如果不太关心可以跳过，这样的文字往往是详细解释程序变量和函数的作用和用法。

本notebook主要采用Pandas程序库。用Pandas打开Excel表格，生成一个DataFrame类型的对象，这个对象提供了一系列数据表格探索的函数，类似于关系数据库的表格结构和数据的操作。

2. 数据源

数据源是使用GooSeeker网络爬虫软件采集京东商品详情页面的参数列表(以iphone13和oppo K10 Pro为例)。供参考和实验。

3. 修改历史

2022-05-18：第一版发布

4. 版权说明

本notebook是GooSeeker大数据分析团队开发的，本notebook中的代码可自由共享使用，包括转发、复制、修改、用于其他项目中。

5. 准备程序环境

导入必要的Python程序包，设定要分析的文件名变量。使用以下变量对应不同的GooSeeker采集结果表：

file_jd_detail_para：采集导出的京东商品详细参数表

file_jd_detail_para_output：清洗后保存到data/processed下的数据表名

import pandas as pd

import numpy as np

import os

%xmode Verbose

# 存原始数据的目录

raw_data_dir = os.path.join(os.getcwd(), '..\\..\\data\\raw')

# 存处理后的数据的目录

processed_data_dir = os.path.join(os.getcwd(), '..\\..\\data\\processed')

filename_temp = pd.Series(['xlsx'])

file_jd_detail_para = ''

file_jd_detail_para_output = ''

输出结果：

Exception reporting mode: Verbose

# 这段代码看起来有些奇怪，这是因为GooSeeker的网络爬虫软件和分词软件会产生好几个输出文件

# 在我们的系列notebook中，给这些输出文件编了编号，在同一个notebook中可以同时处理多个文件，比如，进行合并

# 那么在raw文件夹中，应该给文件名加上合适的前缀，确保查出来的顺序跟程序中的编号一致。

# 例如，以往分词和情感分析的结果文件编号有这些：

# 0:'词频', 1:'分词效果', 2:'选词矩阵', 3:'选词匹配', 4:'选词结果', 5:'共词矩阵'

# 本文为了简化，假定raw文件夹中只有一个要分析的excel文件，编号是0

INDEX_CRAWLER_RESULT_FILE = 0

for item_filename in os.listdir(raw_data_dir):

if filename_temp[INDEX_CRAWLER_RESULT_FILE] in item_filename:

file_jd_detail_para = item_filename

break

if file_jd_detail_para:

print("采集结果原始excel表：", "data\\raw\\", file_jd_detail_para)

else:

print("采集结果原始excel表：不存在")

输出结果：

采集结果原始excel表： data\raw\ 京东商品详情_参数采集_1652857131584.xlsx

6. 将数据的行列进行转换

用GooSeeker网络爬虫采集数据的时候，有时候是为了省事，定义一个很通用的采集规则，把网页上的产品参数表（一行一个参数）原样采集下来，不用定义复杂的采集规则，给每个参数命名专门的名字。这就是产生上面采集结果的原因。

显然，针对这样的采集结果，就需要这个notebook做一个变换，把一行一个参数的格式变成一列一个参数，这样转换以后，一行只有一个产品。

6.1. 打开原始采集结果excel数据表

这里的df变量表示打开的excel表格，这是一个DataFrame对象，下面的所有操作都是针对DataFrame对象做的。

df = ''

try:

df = pd.read_excel(os.path.join(raw_data_dir, file_jd_detail_para))

print("数据表打开成功")

except:

print("数据表打开错误，请检查数据文件：","data\\raw\\", file_jd_detail_para)

输出结果：

数据表打开成功

6.2. 操作数据表进行数据清洗

【注意】以下演示的所有步骤都需要在上一步“打开原始采集结果excel数据表”成功的条件下才能正常执行。

使用notebook最大一个好处，就是可以来来回回执行多个cell，修改一下再执行，如果不小心，会在后面的cell做了一些设置，却在前面的cell使用了，如果当时是在反复执行，就不会觉得有问题，但是哪一天从头初始执行，就会遇到错误。所以，哪些放在前面执行，要心里注意一下。

6.3. 清洗完成后保存的excel表

file_jd_detail_para_output = 'output_' + file_jd_detail_para

6.4. 初始化清洗结果dataframe

下面的语句其实是产生了一个新的dataframe，是一个空的，只有两个字段，就像新创建一张表一样，将用来存储清洗后的结果数据。

很多Pandas的dataframe函数执行结果是生成一个新的dataframe，即便是在老的dataframe上做表格计算，往往也是新生成一个dataframe。这有一个很大的好处，对比sql，常常一拍脑袋“大件事了，数据更新错了！”，此时作为普通用户就很难回退回去，因为在交互式界面上输入sql语句，每句一个事务，即时提交了。

但是，dataframe大部分情况下在执行了一个函数以后会生成一个新的dataframe，这就避免了很多像上面那样的拍脑袋。这叫immutable的模式。但是Pandas允许一些就地更改，这跟Spark dataframe不一样，那是严格immutable。

df_output = pd.DataFrame(columns=['_fullpath','商品名称'])

df_output

输出结果：

_fullpath 商品名称

6.5. 显示采集结果表的表头和第5条记录

df.head(5)