数据产品经理该懂的python技术
作者:互联网
一、Python介绍
小奈:其实你们写的代码好像有不同派系的?
大仁:你是说编程语言?我来介绍下吧,我们来看下GitHub(程序员同城交友、代码协作平台)的数据,看下各种编程语言 Pull Requst的数据, Javascript的提交量最高,前端的鼎盛时期,python则处于飞速上升中,很有潜力。Java一直很稳,常年占据了后端主流编程语言第一。
二、Python热度为何持续上涨?
python可以用来干什么呢?
- 后端开发语言,常见开发架构django;
- 数据分析,常用库,pandas;
- 爬虫,scrapy;
- 人工智能,tensorflow。
人工智能和数据分析,近年来需求持续攀升,这方面人才待遇也是水涨船高,既然python那么能干,热度自然飞速上涨。
三、爬虫
说到数据分析,我们不得不说下数据来源,一般是内部数据,也有外部数据,外部数据的获取有很多种,最常见的方式就是爬虫了。
爬虫基于robots协议可以公开爬去网络上的信息。
1.爬虫工作原理
python中有成熟的爬虫框架(scrapy、bs4),只要你给爬虫一个网址,它就可以去爬取,和输入url类似却又不同,不同的是爬虫会把这些html文件里有用的信息抓取回来,而且爬虫可以爬取该网站相关的其它链接,像是daquan里的abc、123、456等。
小奈:爬取别人的信息会不会违法?
大仁:看你怎么爬取,其实有个爬虫协议(robots),每个网站都可以声明,其实就是声明哪些文件可以、哪些不可以,下面以淘宝网的robots.txt为例:
User-agent: Baiduspider
Allow: /article
Allow: /oshtml
Disallow: /product/
Disallow: /
遵循robots协议后,爬取的数据不用于商用,基本上没事,商用的话目前还是灰色地带,混沌蛮荒阶段。(抛砖引玉,求专业人士解答下)
2.淘宝对百度的屏蔽
当年还可以在百度里搜索到淘宝商品信息,后来淘宝决定对搜索引擎实施不同程度的屏蔽,那时候淘宝体量还没那么大,屏蔽百度,会少了很多站外流量。
但是这个关键性的决定,让用户心智统一(淘宝里才可以搜索商品),后面现金流般的淘宝广告就更不说了,站在当时,很考验产品决策人。
3.搜索引擎
爬虫似乎和搜索引擎密切相关,是的,是时候来科普下,搜索引擎的工作原理。
假如你在“JackSearch”这个搜索引擎里,输入“产品经理”,那么当你点击搜索时,服务器就会去数据库查找,返回相关的文件信息,那么你就会问,这些文件是哪来的?
是爬虫们去网页世界里爬取的。
当然,搜索引擎远比这个复杂,爬虫抓取回来的信息,还需要存储,建立索引,这个推荐一本书《Luence》。
4.数据产品经理(ex-developer)常用工具
在上古时代,Unix系统连界面都没有,程序员都还是用vi来写代码的,就是密密麻麻黑乎乎的命令行状态。到了今天,依然有部分极客只用命令行(terminal)来写代码,然后现在生活条件好了,大部分程序员都是用集成开发环境,这样子可以提高效率,省下不少脑力。
5.PyCharm (python的集成开发环境)
- 数据库工具:navicat(for mysql)、robomngo(for mongodb)
- 后端开发工具:jetbian公司系列,webstorm(for JavaScript)、pycharm(for python)
- 代码管理工具:sourcetree(for git)、svn
- 原型工具:axure、墨刀、etc
简单介绍下pycharm,大概长这样子,左边是项目文件(1.py , 2.py), 主界面是文件代码编写窗口,底部是调试窗口。
6.爬虫框架scrapy
Scrapy:Python开发的一个快速、高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试。
这里不得不说下,scrapy是分布式爬虫框架,如何理解?上次也有介绍分布式,分布式就是假如100只爬虫,今天的任务是爬取100本小说,那么如果一百台机器,机器上各有一只,每只爬不同的一部小说,那就是分布式。
分布式爬虫方便性能扩张,极大提高程序的抓取效率。
7.爬虫实践
- 新建工程 scrapy startproject tutorial;
- 创建爬虫 scrapy genspider -t xxx.com;
- 修改settings.py,在settings.py中修改DEFAULT_REQUEST_HEADERA和USER_AGENT;
- 定义item:DemoItem(scrapy.Item);name = scrapy.Field();title = scrapy.Field();link = scrapy.Field();info = scrapy.Field()
- 编写spider爬虫逻辑;
- 储存到数据库(mysql、mongodb、etc)。
8.不想写爬虫又想抓数据?
当然可以的,常见有八抓鱼、火车头之类。八爪鱼有一些优势,比如学习成本低,可视化流程,快速搭建采集系统;能直接导出excel文件和导出到数据库中;降低采集成本,云采集提供10个节点,也能省事不少。
四、数据分析告诉你,天龙八部在讲什么?
小奈:那python在数据分析工作中,如何发挥作用呢?
大仁:数据分析可以用python、r、第三方分析工具,都可以,但最主要还是结合业务,要有分析思路,这个就要求有业务经验了,我举个例子吧,我常看小说,就以天龙八部为例子吧。
“天龙八部”是哪八部?“天龙八部”都是“非人”,包括八种神道怪物,因为以“天”及“龙”为首,所以称为“天龙八部”。
八部者,一天,二龙,三夜叉,四乾达婆,五阿修罗,六迦楼罗,七紧那罗,八摩呼罗迦。
看完介绍,还是不懂,没关系,今天主要讲的是,用数据分析天龙八部里高频词语、人物关系、(关系真的很复杂,电脑都跑的发烫,瑟瑟发抖)以及究竟在讲啥?
1.自己?
看到下面的词云,为什么“自己”这个词,那么高频?估计和写作人称有关,上帝视角?(有点不解,求天龙粉解答)
乍看之下,段誉词频(1551)最高,其实要结合“业务”,实则乔峰才是正主。要从乔峰的身世说起,开头中,乔峰是丐帮帮主,后身世揭破,契丹人也,改名萧峰。
所以乔峰的词频(1900+)=乔峰(963)+萧峰(966)。
从词语中,我们可以看出,写作手法,乔峰(段誉)听/笑/呆/动词,所以人物+动词。
2.人物关系图
故事有好多条主线。
(1)寻仇:
其中虚竹和乔峰,为什么关系最亲密?因为虚竹的爸是杀死乔峰的爸的带头大哥,寻仇是小说的主线之一。
(2)段正淳恋爱史:
从另一角度看,可以说是,大理镇南王,段正淳恋爱史,他和几位女人谈恋爱,并生下的都全都是女儿,女儿再一个个和段誉谈恋爱,搞得段誉很痛苦,最后发现自己不是亲生的故事。
总结来说:故事是由“慕容博”和“段正淳”,两位大Boss挑起的,各负责一条主线:
- 慕容博想光复燕国,才策划杀死萧家,企图引起两国战乱,引起萧父报仇;
- 镇南王,则是负责拈花若草,一身情债,一个人很爽,搞得很多人很痛苦,最后自杀。
五、实战
1.词云
这里主要用到了两个库:jieba分词用的,wordcloud词云用,matplib显示用。
- 下载小说txt文件;
- 准备一张mask(遮罩)图片;
- 字体;
#coding:utf-8
from os import path
from collections import Counter
import jieba
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
from wordcloud import WordCloud, STOPWORDS
if __name__==’__main__’:
#读取文件
d = path.dirname(__file__)
pardir = path.dirname(d)
pardir2 = path.dirname(pardir)
cyqf = path.join(pardir2,’tlbbqf/’)
text = open(path.join(d,’tlbb.txt’), encoding=”utf-8″, errors=”surrogateescape”).read()
jieba_word = jieba.cut(text, cut_all=False) #cut_all 分词模式
data = []
for word in jieba_word:
data.append(word)
dataDict = Counter(data)
with open(‘./词频统计.csv’, ‘w’, encoding=’utf-8′) as fw:
for k,v in dataDict.items():
fw.write(“%s,%d\n” % (k,v))
mask = np.array(Image.open(path.join(d, “mask.png”)))
font_path=path.join(d,”font.ttf”)
stopwords = set(STOPWORDS)
wc = WordCloud(background_color=”white”,
max_words=2000,
mask=mask,
stopwords=stopwords,
font_path=font_path)
# 生成词云
wc.generate(text)
# 生成的词云图像保存到本地
wc.to_file(path.join(d, “wordcloud.png”))
# 显示图像
plt.imshow(wc, interpolation=’bilinear’)
plt.axis(“off”)
plt.show()
2.人物关系图
(1)统计词频
text = open(path.join(d,'tlbb.txt'), encoding="utf-8", errors="surrogateescape").read()
jieba_word = jieba.cut(text, cut_all=False) #cut_all 分词模式
data = []
for word in jieba_word:
data.append(word)
dataDict = Counter(data)
(2)计算人物之间矩阵关系
(3)用gephi画出人物关系
首先是导入关系图,逗号、矩阵、utf-8;
然后就是箭头,第一个是显示节点信息,第二、三是调整连线的粗细、颜色;
点击某个节点,例如段誉,可以侧重显示他的人物关系。
六、最后
数据分析产品经理,该具备什么素质?
最核心的当然是分析经验/思路,但是基本的数据分析能力还是得有,最常见的就是Python或R,这里推荐下python吧,动手能力强的话可以做点其它的。
接下来会带来,一些机器学习的东西,不知道大家有没有兴趣?
人工智能,比较有趣的一个方向,大家一起努力吧。
YHFHing 发布了165 篇原创文章 · 获赞 45 · 访问量 4万+ 私信 关注标签:word,python,经理,爬虫,乔峰,scrapy,path,数据 来源: https://blog.csdn.net/u010199413/article/details/104342869