手把手教你用Python爬中國電影票房數據

和很多同學接觸過程中，我發現自學Python數據分析的一個難點是資料繁多，過于復雜。大部分網上的資料總是從Python語法教起，夾雜著大量Python開發的知識點，花了很多時間卻始終云里霧里，不知道哪些知識才是真正有用的。

 

本來以為上手就能寫爬蟲出圖，卻在看基礎的過程中消耗了一周又一周，以至于很多勵志學習Python的小伙伴犧牲在了入門的前一步。

 

 

于是，我總結了以下一篇干貨，來幫助大家理清思路，提高學習效率。總共分為三大部分：做Python數據分析必知的語法，如何實現爬蟲，怎么做數據分析。

 

 

1.必須知道的兩組Python基礎術語

 

 

A.變量和賦值

 

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

 

• 在內存中創建了一個值為4的整型數據

• 在內存中創建了一個名為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：

例如下圖代碼，“=”的作用就是賦值，同時Python會自動識別數據類型:

請閱讀代碼塊里的代碼和注釋，你會發現Python是及其易讀易懂的。

 

B.數據類型

 

在初級的數據分析過程中，有三種數據類型是很常見的：

• 列表list（Python內置）

• 字典dict（Python內置）

• DataFrame（工具包pandas下的數據類型，需要import pandas才能調用）

 

它們分別是這么寫的：

 

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據格式和數據類型（整型、浮點、列表……），并可以隨時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，無序，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：

?

dict內部存放的順序和key放入的順序是沒有關系的,也就是說，"章澤天"并非是在"劉強東"的后面。

 

DataFrame：

DataFrame可以簡單理解為Excel里的表格格式。導入pandas包后，字典和列表都可以轉化為DataFrame，以上面的字典為例，轉化為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選出進行分析。

 

以上三種數據類型是python數據分析中用的最多的類型，基礎語法到此結束，接下來就可以著手寫一些函數計算數據了。

 

 

 

2.從Python爬蟲學循環函數

 

 

掌握了以上基本語法概念，我們就足以開始學習一些有趣的函數。我們以爬蟲中繞不開的遍歷url為例，講講大家最難理解的循環函數for的用法：

 

A.for函數

 

for函數是一個常見的循環函數，先從簡單代碼理解for函數的用途：

?

因為dict的存儲不是按照list的方式順序排列，所以，迭代出的結果順序很可能不是每次都一樣。默認情況下，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#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了。for 函數的作用就是用于遍歷數據。掌握for函數，可以說是真正入門了Python函數。

 

B.爬蟲和循環

 

for函數在書寫Python爬蟲中經常被應用，因為爬蟲經常需要遍歷每一個網頁，以獲取信息，所以構建完整而正確的網頁鏈接十分關鍵。以某票房數據網為例，他的網站信息長這樣：

 

該網站的周票房json數據地址可以通過抓包工具找到，網址為http://www.cbooo.cn/BoxOffice/getWeekInfoData?sdate=20190114

 

仔細觀察，該網站不同日期的票房數據網址（url）只有后面的日期在變化，訪問不同的網址（url）就可以看到不同日期下的票房數據：

?

我們要做的是，遍歷每一個日期下的網址，用Python代碼把數據爬下來。此時for函數就派上用場了，使用它我們可以快速生成多個符合條件的網址：

 

為了方便理解，我給大家畫了一個for函數的遍歷過程示意圖：

此處省略掉后續爬取過程，相關爬蟲代碼見文末。我們使用爬蟲爬取了5800+條數據，包含20個字段，時間囊括了從2008年1月開始至2019年2月十一年期間的單周票房、累計票房、觀影人次、場均人次、場均票價、場次環比變化等信息。

 

 

 

3.Python怎么實現數據分析？

 

 

除了爬蟲，分析數據也是Python的重要用途之一，Excel能做的事，Python究竟怎么實現呢；Excel不能做的事，Python又是否能實現呢？利用電影票房數據，我們分別舉一個例子說明：

 

A.Python分析

 

在做好數據采集和導入后，選擇字段進行初步分析可以說是數據分析的必經之路。在Dataframe數據格式的幫助下，這個步驟變得很簡單。

 

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

 

 

9行代碼，我們完成了Excel里的透視表、拖動、排序等鼠標點擊動作。最后再用Python中的可視化包matplotlib，快速出圖：

 

 

 

B.函數化分析

 

以上是一個簡單的統計分析過程。接下來就講講Excel基礎功能不能做的事——自定義函數提效。觀察數據可以發現，數據中記錄了周票房和總票房的排名，那么剛剛計算了周票房排名的代碼，還能不能復用做一張總票房分析呢？

 

當然可以，只要使用def函數和剛剛寫好的代碼建立自定義函數，并說明函數規則即可：

定義函數后，批量出圖so easy：

 

學會函數的構建，一個數據分析師才算真正能夠告別Excel的鼠標點擊模式，邁入高效分析的領域。