手把手教你用Python爬中国电影票房数据

和很多同学接触过程中，我发现自学Python数据分析的一个难点是资料繁多，过于复杂。大部分网上的资料总是从Python语法教起，夹杂着大量Python开发的知识点，花了很多时间却始终云里雾里，不知道哪些知识才是真正有用的。

 

本来以为上手就能写爬虫出图，却在看基础的过程中消耗了一周又一周，以至于很多励志学习Python的小伙伴牺牲在了入门的前一步。

 

 

于是，我总结了以下一篇干货，来帮助大家理清思路，提高学习效率。总共分为三大部分：做Python数据分析必知的语法，如何实现爬虫，怎么做数据分析。

 

 

1.必须知道的两组Python基础术语

 

 

A.变量和赋值

 

Python可以直接定义变量名字并进行赋值的，例如我们写出a = 4时，Python解释器干了两件事情：

 

• 在内存中创建了一个值为4的整型数据

• 在内存中创建了一个名为a的变量，并把它指向4

• 用一张示意图表示Python变量和赋值的重点：

例如下图代码，“=”的作用就是赋值，同时Python会自动识别数据类型:

请阅读代码块里的代码和注释，你会发现Python是及其易读易懂的。

 

B.数据类型

 

在初级的数据分析过程中，有三种数据类型是很常见的：

• 列表list（Python内置）

• 字典dict（Python内置）

• DataFrame（工具包pandas下的数据类型，需要import pandas才能调用）

 

它们分别是这么写的：

 

列表（list）：

​​

list是一种有序的集合，里面的元素可以是之前提到的任何一种数据格式和数据类型（整型、浮点、列表……），并可以随时指定顺序添加其中的元素，其形式是：

 

字典（dict）：

​​

字典使用键-值（key-value）存储，无序，具有极快的查找速度。以上面的字典为例，想要快速知道周杰伦的年龄，就可以这么写：

​

dict内部存放的顺序和key放入的顺序是没有关系的,也就是说，"章泽天"并非是在"刘强东"的后面。

 

DataFrame：

DataFrame可以简单理解为Excel里的表格格式。导入pandas包后，字典和列表都可以转化为DataFrame，以上面的字典为例，转化为DataFrame是这样的：

和excel一样，DataFrame的任何一列或任何一行都可以单独选出进行分析。

 

以上三种数据类型是python数据分析中用的最多的类型，基础语法到此结束，接下来就可以着手写一些函数计算数据了。

 

 

 

2.从Python爬虫学循环函数

 

 

掌握了以上基本语法概念，我们就足以开始学习一些有趣的函数。我们以爬虫中绕不开的遍历url为例，讲讲大家最难理解的循环函数for的用法：

 

A.for函数

 

for函数是一个常见的循环函数，先从简单代码理解for函数的用途：

​

因为dict的存储不是按照list的方式顺序排列，所以，迭代出的结果顺序很可能不是每次都一样。默认情况下，dict迭代的是key。如果要迭代value，可以用for value in d.values()，如果要同时#迭代key和value，可以用for k, v in d.items()

 

可以看到，字典里的人名被一一打印出来了。for 函数的作用就是用于遍历数据。掌握for函数，可以说是真正入门了Python函数。

 

B.爬虫和循环

 

for函数在书写Python爬虫中经常被应用，因为爬虫经常需要遍历每一个网页，以获取信息，所以构建完整而正确的网页链接十分关键。以某票房数据网为例，他的网站信息长这样：

 

该网站的周票房json数据地址可以通过抓包工具找到，网址为http://www.cbooo.cn/BoxOffice/getWeekInfoData?sdate=20190114

 

仔细观察，该网站不同日期的票房数据网址（url）只有后面的日期在变化，访问不同的网址（url）就可以看到不同日期下的票房数据：

​

我们要做的是，遍历每一个日期下的网址，用Python代码把数据爬下来。此时for函数就派上用场了，使用它我们可以快速生成多个符合条件的网址：

 

为了方便理解，我给大家画了一个for函数的遍历过程示意图：

此处省略掉后续爬取过程，相关爬虫代码见文末。我们使用爬虫爬取了5800+条数据，包含20个字段，时间囊括了从2008年1月开始至2019年2月十一年期间的单周票房、累计票房、观影人次、场均人次、场均票价、场次环比变化等信息。

 

 

 

3.Python怎么实现数据分析？

 

 

除了爬虫，分析数据也是Python的重要用途之一，Excel能做的事，Python究竟怎么实现呢；Excel不能做的事，Python又是否能实现呢？利用电影票房数据，我们分别举一个例子说明：

 

A.Python分析

 

在做好数据采集和导入后，选择字段进行初步分析可以说是数据分析的必经之路。在Dataframe数据格式的帮助下，这个步骤变得很简单。

 

比如当我们想看单周票房第一的排名分别都是哪些电影时，可以使用pandas工具库中常用的方法，筛选出周票房为第一名的所有数据，并保留相同电影中周票房最高的数据进行分析整理：

 

 

9行代码，我们完成了Excel里的透视表、拖动、排序等鼠标点击动作。最后再用Python中的可视化包matplotlib，快速出图：

 

 

 

B.函数化分析

 

以上是一个简单的统计分析过程。接下来就讲讲Excel基础功能不能做的事——自定义函数提效。观察数据可以发现，数据中记录了周票房和总票房的排名，那么刚刚计算了周票房排名的代码，还能不能复用做一张总票房分析呢？

 

当然可以，只要使用def函数和刚刚写好的代码建立自定义函数，并说明函数规则即可：

定义函数后，批量出图so easy：

 

学会函数的构建，一个数据分析师才算真正能够告别Excel的鼠标点击模式，迈入高效分析的领域。