Python告诉你：李子柒的螺蛳粉到底有多火？
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了Python告诉你：李子柒的螺蛳粉到底有多火？，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含13570字，纯文字阅读大概需要20分钟。
内容图文
居家隔离的日子里，各类方便速食食品成了许多人的心头爱。特别是螺蛳粉，异军突起，火遍全网，几乎卖到脱销。有的螺蛳粉热销店铺的购买页面还显示，现在下单，预售40天后发货，这是种什么操作？
万万没想到，这些日子发不出货的，除了口罩，还有螺蛳粉。
今天我们就来聊一聊火遍全网的螺蛳粉。
01
让吃货们买到断货的
螺蛳粉
螺蛳粉气味腥臭，味道酸辣，被戏称为“生化武器”。然而吃起来却让人欲罢不能，再加上称为灵魂的酸笋，不禁让人大呼，爱了爱了！就是这个味儿！
那么谁家卖的螺蛳粉最火，最好吃？吃货们都怎么看？
我们搜集整理了淘宝上关于螺蛳粉店铺的数据：
店铺销量排行
可以看到：销量前三的店铺分别是李子柒旗舰店、好欢螺旗舰店、嘻螺会鼎容鲜专卖店。其中李子柒旗舰店的以月销量66万+一骑绝尘。紧随其后的是好欢螺月销量57万+。第三是嘻螺会21万+。
各省螺蛳粉店铺和销量排行
最为螺蛳粉发源地，无论是在店铺数量和商品销量上，广西地区都占据了全国的大部分比重，绝对的王者。
螺蛳粉都卖多少钱？
我们分析了市面上销售螺蛳粉的价格区间，发现一份螺蛳粉一般3-5包。其中定价在30-50元一份的卖得最好，占到全网总销量的59.04%。这个价格区间，普遍让人接受，3-5包的量也很合适。
其次是0-30元一份的，销量占比27.93%，这个价格不仅物美价廉，对于想尝试螺蛳粉的新手都十分友好。
然后是一份售价50-80的螺蛳粉，销量占比10.22%。这个价位一般都有5包以上，对于螺蛳粉的重度爱好者来说是不错的选择。
买螺蛳粉，大家都看重什么？
从广大螺蛳粉的评价中我们可以看到：
大家的焦点尤其在，螺蛳粉产地要“正宗”。来自“广西”，特别是螺蛳粉的发源地“柳州”。
当然有意思的是，销量最高的李子柒卖的螺蛳粉产地不在广西，而是嘉兴。可能这就是网红强大的带货力吧。
其次“包邮”也是最关键的。毕竟，为了几块钱运费跟电商卖家磨半天嘴皮子，或者毫不留情地直接pass掉不包邮的店铺，这都是我们的真实写照。
02
Python分析
李子柒的螺蛳粉 到底有多火？
接着，我们再看到全网螺蛳粉销量之王的李子柒店铺。这次我们用Python来进行分析，先看到结论：
评论时间热度图：
从数据可以看到，螺蛳粉的数据从去年12月2日开始，一直不温不火，然而从3月中下旬开始，购买和评论数量持续走高，如今这个数据还在急剧上升。
消费者关注维度占比：
看来，螺蛳粉的口感（好不好吃）是客户最最最关注的点，占比高达41.45%，领先其他类别N个身位。
其他的维度：包装、原料、品牌，而物流和日期则提及较少，看来消费者不是太关注这些角度，或者目前基本满足要求。
关注点细节占比分布：
整体来看，主流评论以好评为主，其中口感、品牌（这个地方其实没有细分）、包装以正面评价占绝对主导。
原料、日期和性价比，负面评价占比分别是10%和32%和15%。
评论分布词云图：
从词云可以看到，螺蛳粉好不好吃是大家关注的焦点。“味道”“口感”“好吃”“新鲜度”等词都频频出现。
其次“李子柒”的巨大带货能力也不容小觑，毕竟很多人都是冲着李子柒小姐姐来买的。
公众号后台，回复关键字“螺蛳粉”获取完整数据。
具体步骤和代码如下：
一、导入数据和基本处理
# 导入包 import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns import re
# 读入数据
df = pd.read_excel('李子柒螺蛳粉评论.xlsx')
df.head()
# 去除重复值 df.drop_duplicates(inplace=True) df.info()
<class 'pandas.core.frame.DataFrame'> Int64Index: 1980 entries, 0 to 1979 Data columns (total 5 columns): UserNick 1980 non-null object comment_time 1980 non-null datetime64[ns] content 1980 non-null object auctionSku 1980 non-null object comment_date 1980 non-null object dtypes: datetime64[ns](1), object(4) memory usage: 92.8+ KB
二、数据分析
时间-热度分析
代码：
# 时间走势图 df['comment_time'] = pd.to_datetime(df['comment_time']) df['comment_date'] = df['comment_time'].dt.date comment_num = df['comment_date'].value_counts().sort_index()
from pyecharts.charts import Line
from pyecharts import options as opts
# 折线图
line1 = Line(init_opts=opts.InitOpts(width='1350px', height='750px'))
line1.add_xaxis(comment_num.index.tolist())
line1.add_yaxis('热度', comment_num.values.tolist(),
areastyle_opts=opts.AreaStyleOpts(opacity=0.5),
label_opts=opts.LabelOpts(is_show=False))
line1.set_global_opts(title_opts=opts.TitleOpts(title='商品评价数量走势图'),
xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate='30')),
toolbox_opts=opts.ToolboxOpts(),
visualmap_opts=opts.VisualMapOpts(max_=400))
line1.set_series_opts(linestyle_opts=opts.LineStyleOpts(width=3))
line1.render()
推测2019年12.02上线商品，购买和评论数量持续走高。
三、评论分析
我们从以下几个角度对评论进行分析：
- 包装
- 品牌
- 物流
- 产品
- 性价比
def judge_comment(df, result): # 创建一个空数据框 judges = pd.DataFrame(np.zeros(13 * len(df)).reshape(len(df),13), columns = ['品牌','物流正面','物流负面','包装正面','包装负面','原料正面', '原料负面','口感正面','口感负面','日期正面','日期负面', '性价比正面','性价比负面']) for i in range(len(result)): word = result[i] #李子柒的产品具有强IP属性，基本都是正面评价，这里不统计情绪，只统计提及次数 if '李子柒' in word or '子柒' in word or '小柒' in word or '李子七' in word or '小七' in word: judges.iloc[i]['品牌'] = 1 #先判断是不是物流相关的 if '物流' in word or '快递' in word or '配送' in word or '取货' in word: #再判断是正面还是负面情感 if '好' in word or '不错' in word or '棒' in word or '满意' in word or '迅速' in word: judges.iloc[i]['物流正面'] = 1 elif '慢' in word or '龟速' in word or '暴力' in word or '差' in word: judges.iloc[i]['物流负面'] = 1 #判断是否包装相关 if '包装' in word or '盒子' in word or '袋子' in word or '外观' in word: if '高端' in word or '大气' in word or '还行' in word or '完整' in word or '好' in word or\ '严实' in word or '紧' in word or '精致' in word: judges.iloc[i]['包装正面'] = 1 elif '破' in word or '破损' in word or '瘪' in word or '简陋' in word: judges.iloc[i]['包装负面'] = 1 #产品 #产品原料是牛肉为主，且评价大多会提到牛肉，因此我们把这个单独拎出来分析 if '米粉' in word or '汤' in word or '配料' in word or '腐竹' in word or '花生' in word: if '劲道' in word or '多' in word or '足' in word or '香' in word or '才' in word or\ '脆' in word or 'nice' in word: judges.iloc[i]['原料正面'] = 1 elif '小' in word or '少' in word or '没' in word: judges.iloc[i]['原料负面'] = 1 #口感的情绪 if '口味' in word or '味道' in word or '口感' in word or '吃起来' in word: if '不错' in word or '浓鲜' in word or '十足' in word or '鲜' in word or\ '可以' in word or '喜欢' in word or '符合' in word: judges.iloc[i]['口感正面'] = 1 elif '不好' in word or '不行' in word or '不鲜' in word or\ '太烂' in word: judges.iloc[i]['口感负面'] = 1 #口感方面，有些是不需要出现前置词，消费者直接评价好吃难吃的，例如： if '难吃' in word or '不好吃' in word: judges.iloc[i]['口感负面'] = 1 elif '好吃' in word or '香' in word: judges.iloc[i]['口感正面'] = 1 #日期是不是新鲜 if '日期' in word or '时间' in word or '保质期' in word: if '新鲜' in word: judges.iloc[i]['日期正面'] = 1 elif '久' in word or '长' in word: judges.iloc[i]['日期负面'] = 1 elif '过期' in word: judges.iloc[i]['日期负面'] = 1 #性价比 if '划算' in word or '便宜' in word or '赚了' in word or '囤货' in word or '超值' in word or \ '太值' in word or '物美价廉' in word or '实惠' in word or '性价比高' in word or '不贵' in word: judges.iloc[i]['性价比正面'] = 1 elif '贵' in word or '不值' in word or '亏了' in word or '不划算' in word or '不便宜' in word: judges.iloc[i]['性价比负面'] = 1 final_result = pd.concat([df,judges],axis = 1) return final_result
# 得到数据框 judge = judge_comment(df, result=df.content) judge.head()
# 结果汇总 rank = judge.iloc[:, 5:].sum().reset_index().sort_values(0, ascending=False) rank.columns = ['分类', '提及次数'] rank['占比'] = rank['提及次数'] / rank['提及次数'].sum() rank['高级分类'] = rank['分类'].str[:-2] rank
rank.loc[0, '高级分类'] = '品牌' rank
df.shape (1980, 5)
此次评论数据去重之后一共有1980条评论数据，粗略一看，口感和包装、原料占比较高，画个图更细致的看看。
rank_num = rank.groupby('高级分类')['提及次数'].sum().sort_values(ascending=False)
rank_num
高级分类 口感 1511.0 包装 695.0 原料 602.0 品牌 422.0 日期 208.0 性价比 146.0 物流 61.0 Name: 提及次数, dtype: float64
data_pair = [list(z) for z in zip(rank_num.index, rank_num.values)] data_pair[['口感', 1511.0], ['包装', 695.0], ['原料', 602.0], ['品牌', 422.0], ['日期', 208.0], ['性价比', 146.0], ['物流', 61.0]]
from pyecharts.charts import Pie
pie1 = Pie(init_opts=opts.InitOpts(width='1350px', height='750px'))
pie1.add(
series_name="num",
radius=["35%", "55%"],
data_pair=data_pair,
label_opts=opts.LabelOpts(
position="outside",
formatter="{a|{a}}{abg|}\n{hr|}\n {b|{b}: }{c} {per|{d}%} ",
background_color="#eee",
border_color="#aaa",
border_width=1,
border_radius=4,
rich={
"a": {"color": "#999", "lineHeight": 22, "align": "center"},
"abg": {
"backgroundColor": "#e3e3e3",
"width": "100%",
"align": "right",
"height": 22,
"borderRadius": [4, 4, 0, 0],
},
"hr": {
"borderColor": "#aaa",
"width": "100%",
"borderWidth": 0.5,
"height": 0,
},
"b": {"fontSize": 16, "lineHeight": 33},
"per": {
"color": "#eee",
"backgroundColor": "#334455",
"padding": [2, 4],
"borderRadius": 2,
},
},
),
)
pie1.set_global_opts(legend_opts=opts.LegendOpts(pos_left="left", pos_top='30%', orient="vertical"),
toolbox_opts=opts.ToolboxOpts(),
title_opts=opts.TitleOpts(title='消费者关注占比分布'))
pie1.set_series_opts(
tooltip_opts=opts.TooltipOpts(trigger="item", formatter="{a} <br/>{b}: {c} ({d}%)")
)
pie1.render()
看来，螺蛳粉的口感（好不好吃）是客户最最最关注的点，没有之一，占比高达41.45%，领先其他类别N个身位。
包装、原料、品牌，而物流和日期则提及较少，消费者貌似不太关注，或者说目前基本满足要求。
那不同类别正负面评价占比是怎么样的呢？
from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.commons.utils import JsCode
from pyecharts.globals import ThemeType
list2 = [
{"value": 1484.0, "percent": 1484.0 / (1484.0 + 27.0)},
{"value": 692.0, "percent": 692.0 / (692.0 + 3.0)},
{"value": 539.0, "percent": 539.0 / (539.0 + 63.0)},
{"value": 422.0, "percent": 422.0 / (422.0 + 0)},
{"value": 142.0, "percent": 142.0 / (142.0 + 66.0)},
{"value": 124.0, "percent": 124.0 / (124.0 + 22.0)},
{"value": 58.0, "percent": 58.0 / (58.0 + 3.0)},
]
list3 = [
{"value": 27.0, "percent": 27.0 / (27.0 + 1484.0)},
{"value": 3.0, "percent": 3.0 / (3.0 + 692.0)},
{"value": 63.0, "percent": 63.0 / (63.0 + 539.0)},
{"value": 0, "percent": 0 / (0 + 422.0)},
{"value": 66.0, "percent": 66.0 / (66.0 + 142.0)},
{"value": 22.0, "percent": 22.0 / (22.0 + 124.0)},
{"value": 3.0, "percent": 3.0 / (3.0 + 58.0)},
]
bar1 = Bar(init_opts=opts.InitOpts(width='1350px', height='750px', theme=ThemeType.LIGHT))
bar1.add_xaxis(['口感', '包装', '原料', '品牌', '日期', '性价比', '物流'])
bar1.add_yaxis("正面评论", list2, stack="stack1", category_gap="50%")
bar1.add_yaxis("负面评论", list3, stack="stack1", category_gap="50%")
bar1.set_global_opts(title_opts=opts.TitleOpts(title='关注点细分占比分布'))
bar1.set_series_opts(
label_opts=opts.LabelOpts(
position="right",
formatter=JsCode(
"function(x){return Number(x.data.percent * 100).toFixed() + '%';}"
),
)
)
bar1.render()
import jieba
import jieba.analyse
txt = df['content'].str.cat(sep='。')
# 添加关键词
jieba.add_word('李子柒')
# 读入停用词表
stop_words = []
with open('stop_words.txt', 'r', encoding='utf-8') as f:
lines = f.readlines()
for line in lines:
stop_words.append(line.strip())
# 添加停用词
stop_words.extend(['40', 'hellip', '一袋', '一包', '一个月',
'一点', '一个多月', '第一次', '哈哈哈',
'螺狮粉', '螺蛳'])
# 评论字段分词处理
word_num = jieba.analyse.extract_tags(txt,
topK=100,
withWeight=True,
allowPOS=())
# 去停用词
word_num_selected = []
for i in word_num:
if i[0] not in stop_words:
word_num_selected.append(i)
key_words = pd.DataFrame(word_num_selected, columns=['words','num'])
key_words.head()
from pyecharts.charts import WordCloud
from pyecharts.globals import SymbolType
# 词云图
word1 = WordCloud(init_opts=opts.InitOpts(width='1350px', height='750px'))
word1.add("", [*zip(key_words.words, key_words.num)],
word_size_range=[20, 200],
shape=SymbolType.DIAMOND)
word1.set_global_opts(title_opts=opts.TitleOpts('评论分布词云图'),
toolbox_opts=opts.ToolboxOpts())
word1.render()
from pyecharts.charts import Page
page = Page()
page.add(pie1, bar1, word1)
page.render('评论分析.html')
以上就是关于螺蛳粉的全部分析内容啦。 要问为什么螺蛳粉这么臭，还有这么多人爱呢？
其实对吃货们而言，喜欢的就是螺蛳粉又腥又臭又辣的味道，等疫情过去，螺蛳粉店估计也要爆满了。
想要获取源码的童鞋加群：850591259
内容总结
以上是互联网集市为您收集整理的Python告诉你：李子柒的螺蛳粉到底有多火？全部内容，希望文章能够帮你解决Python告诉你：李子柒的螺蛳粉到底有多火？所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。