数据产品经理该懂的python技术

15天0基础极速入门数据分析,掌握一套数据分析流程和方法,学完就能写一份数据报告!了解一下>>

本文作者详细介绍了python技术,一起来学习一下~

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

  1.  新建工程 scrapy startproject tutorial;
  2.  创建爬虫 scrapy genspider -t xxx.com;
  3.  修改settings.py,在settings.py中修改DEFAULT_REQUEST_HEADERA和USER_AGENT;
  4. 定义item:DemoItem(scrapy.Item);name = scrapy.Field();title = scrapy.Field();link = scrapy.Field();info = scrapy.Field()
  5. 编写spider爬虫逻辑;
  6. 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:

  1. 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;
  2. 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。

  1. 下载小说txt文件;
  2. 准备一张mask(遮罩)图片;
  3. 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。

 

作者:Jack,新零售数据PM,公众号:产品经理的技术课堂

本文由 @Jack 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自 pexels,基于 CC0 协议

给作者打赏,鼓励TA抓紧创作!
7人打赏
评论
欢迎留言讨论~!
  1. 我是python小白,该怎么进行python的学习呢,麻烦详细些。

    回复
  2. 哇,原来你还会Python啊

    回复
    1. 雕虫小技,何足挂齿

      回复
  3. 这篇文章被百度百家、头条号、各种抄袭,求平台帮我维权,是照搬人人这边的。

    http://baijiahao.baidu.com/s?id=1601130309684586205
    http://baijiahao.baidu.com/s?id=1598116956475318375
    http://baijiahao.baidu.com/s?id=1598194605554142083

    回复
    1. 支持作者,文章一路追过来,能看出付出很多心血总结~~原创应该被尊重

      回复
    2. 感谢认可,最近差评 洗稿事件 抄袭这些 太多了 原创应该得到尊重

      回复
    3. 平台帮你维权了吗?怎么维权?

      回复
    4. 平台没有,维权骑士吧,不过百家号抄袭太猖獗了

      回复
    5. 支持维权

      回复