【R图秀-6】图说里约奥运（二）

上期R图秀抓取并展示了本届奥运会的各个国家和比赛项目的数据，今天我们再增加一点难度，玩一玩运动员的数据。

为什么说今天的难度比上次大呢？主要原因是在Rio2016官网上抓取运动员数据的时候遇到了一点小麻烦。

我是根据每个比赛项目分别抓取运动员数据，由于运动员数目比较多，网页上最初只展示5名运动员，如果要看更多的信息，必须要点击“LOAD MORE”，每次点击只能多显示5名运动员。熟悉javascript的同学肯定知道，这是利用了AJAX技术，简单的说就是在不刷新整个页面的情况下，动态更新页面中的局部信息，提高了网页的交互性。这下用Rvest就很困难了。如果自己去点每一个“LOAD MORE”，真的会“生不如死”的。

loadmore.png

今天就给大家再介绍一个神器：Selenium。它可以控制你的浏览器做出指定的动作，换句话说，它可以让你写一个程序来代替你上网。听上去是不是很酷？更酷的是，R有一个包（RSelenium）可以提供接口，让你通过写R程序来控制浏览器！这样我就可以让R程序来帮我不断的点击“LOAD MORE”，直到所有的运动员都展示在页面上，然后就可以“一网打尽”！

selenium.png

友情提示：我大概花了一天时间才掌握RSelenium的使用，对初学者来说可能需要花的时间会更长，多一点耐心，多查查Google会很有帮助！

抓取运动员数据的步骤是：

1. 利用RSelenium抓取每个运动员所对应的URL，代码如下：

   
   
   

   code4.png

2. 利用Rvest在每个运动员的页面上抓取感兴趣的数据：姓名，国家，比赛项目，性别，年龄，出生月，身高，体重。代码如下：

   
   
   

   code5.png

由于数据量较大，抓取的时间会稍微久一些。

有了数据以后，接下来需要思考一下，我想知道关于运动员的哪些信息？

1. 我想知道奥运运动员里最流行的名字有哪些？
2. 本届奥运会的男女运动员比例是怎样的？
3. 哪个月份出生的奥运运动员最多？灵感来自于一本叫《异类》的书，里面也研究过出生月份和运动员成长之间的关系
4. 年龄、身高、体重是如何分布的？男女运动员的差异有多大？
5. 谁的年纪最小/大，谁最高/矮，谁最重/轻？

有了问题就有了方向，接下来就是秀图时间：

1. Name Cloud，使用的是wordcloud2包。是不是看到了很多熟悉的名字呢？

   
   
   

   Rio2016_namecloud.png
   
   

   代码如下（# name cloud部分）：

   
   
   

   code6.png

2. 男女运动员比例，还是男运动员稍微多一些

   
   
   

   Rio2016_gender_pie.png
   
   

   代码见上图（# gender pie部分）

3. 出生月份分布图，一月份出生的男运动员较多，而4月份出生的女运动员较多，原因是什么？我也不知道！回去再好好看看《异类》那本书

   
   
   

   Rio2016_month_bar.png
   
   

   代码如下：

   
   
   

   code8.png

4. 年龄分布图，男女基本一致，女运动员稍微年轻一些

   
   
   

   Rio2016_age_hist.png

5. 身高分布图，还是男生高一些，符合预期

   
   
   

   Rio2016_height_hist.png

6. 体重分布图，还是男生“胖”一点阿

   
   
   

   Rio2016_weight_hist.png
   
   

   上面三副图的代码如下：

   
   
   

   code7.png

7. 比比谁最年轻、谁最高、谁最重。怎么看上去有点像结婚证的赶脚？

   
   
   

   Rio2016_age_barplot.png
   
   
   

   Rio2016_height_barplot.png
   
   
   

   Rio2016_weight_barplot.png
   
   

   代码如下（只展示了第一副图的代码，后面的代码类似）：

   
   
   

   code9.png

友情提示：代码中大量运用了dplyr包的函数和pipe（%>%），初学者看起来可能会有点吃力。没有关系，Rapp公众号会陆续推出相关教程，让我们一起来学习吧。

【图说里约奥运】共有3集，前2集展示的是各个国家和运动员的数据。为了展示最完整的奥运奖牌榜，最后1集将在奥运结束后推出，敬请关注！

qrcode.jpg