作为一名普通上班族，每个星期都在无休止的上班（没准还加班）之中度过。几个月前一直心心念念的可就是这十一的“小长假”(还调班两天)。
朱小五这次爬取分析携程国内150个热点城市的景点数据，简单的分析一下哪些景点比较受欢迎。用来预计分析一下这个十一哪里最可能人从众从人？
让我们来分析一下。
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。
1`def get_list(urls,city):` `data = [] 2 for i in range(1,3): 3 #爬取n页 4 url = 'https://you.ctrip.com/sight/'+str(urls)+'/s0-p'+str(i)+'.html#sightname' 5 results = {} 6 doc = requests.get(url, headers=headers) 7 while (doc is None or doc == {'code': -460, 'msg': 'Cheating'}): 8 print('重新获取！') 9 time.sleep(random.random()) 10 doc = restaurant(url) 11 12 soup = BeautifulSoup(doc.text, features='lxml') 13 14 list_wide_mod2 = soup.find_all('div', class_='list_wide_mod2')[0] 15 for each1, each2 in zip(list_wide_mod2.find_all('dl'), list_wide_mod2.find_all('ul', class_='r_comment')): 16 name = each1.dt.a.text 17 addr = each1.find_all('dd')[0].text.strip() 18 level = each1.find_all('dd')[1].text.strip().split('|')[0].strip() 19 if '携程' in level: 20 level = '' 21 try: 22 price = each1.find_all('span', class_='price')[0].text.strip().replace('¥', '') 23 except: 24 price = '0' 25 score = each2.find_all('a', class_='score')[0].text.strip().replace('\xa0分', '') 26 comments = each2.find_all('a', class_='recomment')[0].text.strip()[1: -3].replace('条', '') 27 results = [city, name, addr, level, price, score, comments] 28 data.append(results) 29 30 final_result = pd.DataFrame(data) 31 final_result.columns=['city', 'name', 'addr', 'level', 'price', 'score', 'comments'] 32 final_result.to_csv("%s景点数据.csv"%city,encoding="utf_8",index = False) 33 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。
1def data_cleaning(data): 2 cols = data.columns 3 for col in cols: 4 if data[col].dtype == 'object': 5 data[col].fillna('缺失数据', inplace = True) 6 else: 7 data[col].fillna(0, inplace = True) 8 return(data)
按照评论数量排序，筛选前20的景点。
1#排序TOP20 2data['comments'] = data['comments'].astype('int') 3df = data.sort_values(by="comments",ascending=False) 4df.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：
1from itertools import groupby 2 3lst = [1, 1, 1, 2, 3, 4, 4, 5, 5, 6, 7, 7, 7, 7, 8, 9, 9, 9, 10, 99, 99, 99, 100, 101] 4dic = {} 5 6for k, g in groupby(lst, key=lambda x: (x-1)//10): 7 dic['{}-{}'.format(k*10+1, (k+1)*10)] = len(list(g)) 8 9print(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。
1from matplotlib import pyplot as plt 2 3#调节图形大小，宽，高 4plt.figure(figsize=(5,8)) 5 6#定义饼状图的标签，标签是列表 7labels = ['0-50元 ', '50-100元 ', '100-150元 ', '150-200元 ', '200及以上 '] 8#每个标签占多大 9sizes = [33660, 1542, 539, 289, 276] 10colors = ['red', 'orange', 'green', 'blue', 'gray', 'goldenrod'] 11 12explode = (0, 0, 0, 0, 0.1) 13 14patches,l_text,p_text = plt.pie(sizes,explode=explode,labels=labels,colors=colors, 15 labeldistance = 1.1,autopct = '%3.1f%%',shadow = False, 16 startangle = 90,pctdistance = 0.6) 17 18plt.title(u'热门旅游景区消费价格区间分布', fontsize=20) 19 20for t in l_text: 21 t.set_size=(30) 22for t in p_text: 23 t.set_size=(50) 24# 设置x，y轴刻度一致，这样饼图才能是圆的 25plt.axis('equal') 26plt.legend() 27plt.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~
转载请尽量带上二维码或者结尾注明来源，谢谢了。
本文转转自微信公众号凹凸数据原创https://mp.weixin.qq.com/s/IVSyG-3Mc2AVq3i8vXQYAA，可扫描二维码进行关注：
如有侵权，请联系删除。