京东全网手机爬虫scrapy_redis及决策树数据分析

参考了实验楼并进行延伸

SqlServer版本：13.0.1742.0 （也可使用mongodb）
Python版本3.7.1
软件：Pycharm ， Navicat ， SSMS，RedisDesktopManager

项目架构：

爬虫scrapy_redis框架：Jdphone
jd_category.py (手机分类的名称以及网址) jd_product.py(手机详细信息)
数据分析:test
data_clean.py 清洗数据 analysis.py 图表分析
DesicionTree.py 决策树预测 GraphvizTree 决策树可视化
数据库表：
phone_url.sql phone_info.sql 清洗后：phone_info_cleaned.csv

京东手机销售数据分析：（回归CART）

第一步：爬虫爬京东手机各项数据（品牌，屏幕材料，内存，存储空间，电池容量
摄像头数，屏幕大小，评分，价格，评论数等）
第二步：存储到SqlServer数据库，转换输出成csv文件进行分析
第三步：通过pandas清洗数据，统计csv文件各类属性的数量
第四步：通过matplotlib以图表的形式可视化分析
第五步：用回归决策树(Regression Decision Tree) 预测品牌，重量，评论等属性对价格的影响

问题及解决方案：

1.爬虫抓取手机参数，价格和评论写在动态js里，而其他属性大多在html里用xpath可以抓取。两个要同时兼并，最后把js的url写到html方法进行返回从而抓取。
2.保存数据到SqlServer数据库，之前保存到MongoDB全部当字符串即可，而sql需要考虑是否空值，如果强行获取不能存入数据库。还有pyssml模块导入由于python版本问题会有警告问题，可以忽略。（提前在数据库中建好表，再用insert语句插入）
3.数据清洗，首先把数据库文件以csv形式导出，然后用pandas和numpy对数据进行规范，因为决策树回归算法等需要用数值型，所以要把字符型转换，同时剔除无关词汇，思路简单但过程繁琐。
4.数据分析，数据项太多比如品牌以至于图可能信息展示不完全。
5.运用决策树预测分析，由于部分数据为空以及差异太大，比如价格低至-1，高至4w，导入部分品牌平均绝对误差可能会大，但是绝大部分都在正常范围。

爬取：(7853, 25)
7853条手机数据，25条属性
分析：

品牌词云图

品牌饼图

结论：网商市场占比华为>apple>飞利浦>小米>vivo>opple
和线下销售情形基本符合

属性关联度影响热图

结论: 此图只考虑了数值类属性，未考虑字符串如年份品牌等
与价格关联度最高的有好评率0.77 差评率0.7 评论数0.64 （可以都理解为评论数）
其他属性如摄像头数 0.66 运行内存RAM 0.45 物理内存ROM 0.45
而屏幕大小重量和长度这些因素对价格的影响没有那么大

手机品牌对应价格图
结论：根据手机价格中位数来大致估计各品牌。
价格最高的是Vertu（奢侈品）–25000
偏高的有 8848 gemry（詹姆士） royole(柔宇) vetas kreta --均价12000 （轻奢）
大众品牌：苹果 --7000 华为 --3000 一加–4000 三星–6000 vivo–2000
而像诺基亚菲利普这种品牌大多都是老人机和我们固有的印象相符，平均价格在200,300左右

屏幕材料对应价格图

结论：从手机屏幕材料对应手机价格来判断关联度，如图示
价格依次排序：
OLED折叠屏–28000 XDR AMOLED-- 15000 a-si LCD --14000
Dynamic AMOLED （三星）–7000 OLED（华为） - 4000
LCD （vivo/小米） / LTPS （华为）–2000 IPS–1000 TFT（荣耀）–500

部分屏幕材料对应价格图
结论：由上图总结抽选了部分代表来分析价格分布。红色部分为IPS和TFT，这些材料大多应用于像诺基亚这种老年机和华为的低端机，基本价格都在1000多，而绿色部分为Dynamic AMOLED，对应的是三星这种屏幕好的手机，大多价格在4000多，而蓝色部分对应的是OLED ，对应的是苹果手机平均价格在7000左右，这和我们平常的认知相符。

通过DecisionTreeRegressor回归树分析一下模型的平均误差：
（总数据大概为7800条，下图为缺失数据，由上文中热图属性来分析重要属性，运存和内存缺失了三分之一，摄像头数缺失一半，评论虽然未缺失，但是未处理0这个数据可能会造成误差）

分析准确性：（以品牌为索引，分析其他属性对价格影响的平均误差率）
1.总评论数和好评数以及重量的影响误差：
大部分误差都小于百分之十，说明评论和重量对价格的影响切实有效

2.运存和内存的影响误差：

结论：可能因为运存和内存缺少数据二分之一太多，导致误差变大。

可视化