新手快看！python爬取数据+数据分析，有这一篇就够啦

推荐用Jupyter

爬取二手车之家的部分数据

# 爬取二手车网站的数据
#Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库
from bs4 import BeautifulSoup
# 用于网络请求
import urllib.request
#操作csv文件
import csv
#指定编码
import codecs


#添加newline可以避免一行之后的空格,这样需要在python3环境下运行
csvfile= open(r'D:\360MoveData\Users\lenovo\Desktop\爬取演示.csv', 'w' , newline='',encoding='gb18030')
#指定逗号作为分隔符，并且指定quote方式为引用。这意味着读的时候都认为内容是被默认引用符(")包围的
writer=csv.writer(csvfile,delimiter=',',quoting = csv.QUOTE_ALL)
keys=['车型','信息','价格']
writer.writerow(keys)



for page in range(2,100):
    
    # 目标网址
    # url = 'http://www.che168.com/china/a0_0msdgscncgpi1lto8cspexx0/#pvareaid=106289'
    url = 'http://www.che168.com/china/a0_0msdgscncgpi1lto8csp'+str(page)+'exx0/?pvareaid=102179#currengpostion'
    #   发送请求
    #   urllib.request 是一个用于获取 URL （统一资源定位地址）的 Python 模块
    f=urllib.request.urlopen(url)
    resp=f.read()
    # print(resp)  # 203
    # 网页源代码 (文本显示)
    # print(resp.text)
    # 用BeautifulSoup解析数据  python3 必须传入参数二'html.parser' 得到一个对象，接下来获取对象的相关属性
    html = BeautifulSoup(resp, 'html.parser')

    #解析返回的数据

    lis=html.findAll(class_='cards-li list-photo-li')
    for li in lis:
        carType=li.h4.text
        carInfo=li.p.text
        carPrice=li.s.text
        print(carType)
        print(carInfo)
        print(carPrice)
        oneCar=[carType,carInfo,carPrice]
        writer.writerow(oneCar)
 
csvfile.close()

爬取出来的csv文件用excel打开就是这样的

数据分析
原始数据
数据清洗：填充或删除缺失数据，删除重复值，数据类型转换，字符串处理，删掉异常数据，数据替换
数据分析
数据结论

进行数据分析

准备工作

#as  别名
import numpy as np
#处理csv的文件
import pandas as pd
#数据分析，画图的库
import matplotlib.pyplot as plt
#可视化工具
import seaborn as sns

#解决中文问题  matplotlib.pypolt不支持中文
plt.rcParams['font.sans-serif']=['SimHei']
#解决负号显示
plt.rcParams['axes.unicode_minus']=False
#%matplotlb inline #plt.show   直接显示生产的图表 在这个文档写的代码就不用加了

import pandas as pd

#原始数据 
#加r和不加''r是有区别的                            \t  相当于按了tab键
#'r'是防止字符转义的 如果路径中出现'\t'的话 不加r的话\t就会被转义 而加了'r'之后'\t'就能保留原有的样子
#另外；字符串赋值的时候 前面加'r'可以防止字符串在使用的时候不被转义 原理是在转义字符前加'\'
#UnicodeDecodeError: 'utf-8' codec can't decode byte 0xb3 in position 0: invalid start byte
pd.set_option('display.max_rows',None)
data=pd.read_csv(r'D:\360MoveData\Users\lenovo\Desktop\课堂演示.csv',encoding='gb18030')
data

这就是刚刚爬取的数据，舒服，一下出来数据，笔者卡了好久

#数据清洗 删除价格为NaN类型的数据 
data.drop([8,48,54],inplace=True) #参数1  删除的行号   参数2  表示在原始数据上删除
data #再打印一下数据

#删除原价为 NaN 缺失值的数据  
data.dropna(subset=['价格'],inplace=True)
#删除价格为 已涨价xx元  已降价xx元的数据
data=data[ ~data['价格'].str.contains('已')]  #删除某列包含特殊字符的行
data

值为NaN的值就删了，大数据处理，忽略小细节

data.head(10) #默认5行，这里显示10行

#缺失值  检测当前的数据有没有缺失值
data.isnull()
print('当前缺失值为')
(data.isnull()).sum()

#重复值的检测
data.duplicated()

#重复值数目
data.duplicated().sum()

后面的参数代表，在本对象上删除，不是形式上的删除

#删除重复值
data.drop_duplicates(inplace=True)

#查看剩余所有数据的个数
len(data)

#查看列名为 价格 的列包含 万 的数据的个数
data.价格.str.contains('万').sum()

# 字符串处理
# 把价格 列 的数据封装到map里一次执行这个替换方法 如16.77万转换成16.77 再通过float转换成浮点数据
data['价格']=data.价格.map(lambda x:float(x.replace('万','')))
data.head(10)

#按价格升序
data.sort_values('价格')

#按价格降序
data.sort_values('价格',ascending=False)

数据分析

价格的分析

#定义分类标准   分析各区间的数据
bins=[0,30,60,90,120,150,180]
pd.cut(data.价格,bins).value_counts()

#画成直方图
pd.cut(data.价格,bins).value_counts().plot.bar()

#画成直方图   rot 把x轴的数据进行旋转 ，如旋转水平角度为0度
pd.cut(data.价格,bins).value_counts().plot.bar(rot=0)

#直方图，x轴水平，并加上标题
pd.cut(data.价格,bins).value_counts().plot.bar(rot=0,title='价格分析')

品牌的分析

data['车型']=data.车型.map(lambda x:x.split(' ')[0])
data

data.车型.value_counts()

#根据前十个画直方图
data.车型.value_counts()[:10].plot.barh()

#分组   对所以车辆按地点分组 显示该组的平均价格
data.groupby(['车型'])['价格'].mean()

# 类型转换
#data['列名']=data.列名.map(lambda x:目标数据类型(x))
#重新排列索引，并删除原索引
data=data.reset_index(drop=True)
data

top10=['宝马5系','奔驰C级','宝马3系','奥迪A4L','宝来','高尔夫','天籁','轩逸','宝马X1','标致307']
top10

饼图

top10=['宝马5系','奔驰C级','宝马3系','奥迪A4L','宝来','高尔夫','天籁','轩逸','宝马X1','标致307']
data_top10=data[data['车型'].isin(top10)]
print('Top10车型占总车型的比例: %.2f%%'%((data_top10.shape[0]/data.shape[0])*100))
#画饼图
plt.axes(aspect='equal') #将横轴，纵轴坐标标准化处理，保证饼图是一个正圆，否则为椭圆
plt.pie(data_top10['车型'].value_counts(),explode=[0.2,0.2,0.2,0,0,0,0,0,0,0],startangle=0,labels=top10,autopct='%.2f%%',radius=2)
# radus半径

这里。很容易出错，因为数据是动态获取，前十的车型可能会变，如何把上面的前十数据获取到一个动态的数组里，笔者也不知道。
尽力了。

别问我参数，我也不知道，，，也许有人会问
这些数据怎么不分开，我也不会，，我知道用正则，分割其他还好，但一遇到 / 怎么分都不行，去班群里问也没人回我，5555
看了的感觉有用的小伙伴点个赞哈，小胖谢过。