本文作者是一名地隧道道的法式员，最大的兴趣就是爬种种网站。特别是在已往的一年里，为了娱乐和利润而爬掉了无数网站。
从小众到主流电子商店再到新闻媒体和文学博客，通过使用简朴的工具（如BeautifulSoup）获得了许多有趣且洁净的数据—我也很喜欢Chrome 的Headless模式。本文，作者将分析从Greek wine e-shop商店（一个希腊葡萄酒网站）中获得的数据，来看看哪种葡萄酒最受接待。
scraper自己相当简朴，可以在GitHub页面（https://github.com/Florents-Tselai/greek-wines-analysis）找到。作者将着重于通过使用尺度的Python包对获得的数据（1125个奇特的标签）做一些快速的探索性分析。scraper自己袒露了一个相当简朴的API。
首先，请求葡萄酒页面的数据，并将数据返回给nicedict，如下所示：In [2]:In [3]:Out[3]:然后，界说一些matplotlib。In [4]:加载由houseofwine_gr.dump模块生成的数据转储，开发者也可以在GitHub页面找到.json，.csv和.xlsx的数据集。
In [5]:以下是所拥有数据的视图：In [6]:Out[6]:用np.nan替换空的字符串，使它们更容易处置惩罚 Pandas。In [7]:重命名一些包罗特殊字符的列名，以便将它们用作本机DataFrame存储器。
In [8]:我们还将适当的类型分配给列：In [9]:让我们将color列值从希腊语翻译成英语。In [10]:以下是数据集的颜色直方图。In [11]:以下是每种葡萄酒的简朴指标漫衍情况：In [12]:如图所示，Average Rating列险些为正态漫衍，μ值高达85以上。
Reddit上的Kroutoner解释了为什么会发生这种情况（并纠正了作者以前的错误）：典型的葡萄酒评级是50-100，而不是0-100。所以看起来似乎只有一半漫衍，实际上是一个险些完全的漫衍。此外，90分以上的葡萄酒一般被认为效果更好，销售也更好。这个事实改变了对数据的解释，也就是说大多数葡萄酒被评为好，只有一小部门被评为很是好。
为了进一步推进，来看一下tags 列。似乎每个标签列表可以给出有关葡萄酒的种种属性（品种，甜味等）的信息。
接下来，作者将这些属性离开，将tags列元素从list 转换为set列表元素，因为这样会使操作更简朴。也就是说，不是在一个if x in -else-try-except-IndexError中，我们将使用set操作。
现在，做一些简朴操作来提取关于甜度，温和性等信息，以下信息同样从希腊语翻译到了英语。以下是4个属性中每一个属性的直方图：在这一点上，开发者可以（险些）宁静地假设所有剩下的标签显示每种葡萄酒的品种信息，所以界说一个新的列来存储它们。由于剖析错误，列中泛起了一些整数，我们将其过滤掉。
我们也可以添加一个布尔变量varietal。酒中的混淆物只有一种的称为varietal，至少有两种混淆物的称作blends。对于varietal葡萄酒，我们设定了一个single_variety - 对于其他非varietal的葡萄酒来说，这个数值将是NaN。
让我们来看看Varietal / Blend的漫衍是怎样的。这是一些指示性的情节。In [27]:看起来Chardonnay是最盛行的品种，而Vidal和Sangiovese是最昂贵的品种。
评分最高的是Malvasia，但所有品种都很是靠近。把注意力转移到blends上，我们做了一些Numpy和Scikit-Learn来发生blends的矩阵。
上面的代码简朴地从这里获得：对此：这些是blends中泛起频率最高的品种。In [30]:这里是一个热图，显示哪些品种通常混淆在一起。
In [31]:In [32]:如果你有兴趣，接待来Github页面与作者交流。
本文来源：JDB电子-tjlisu.com
简体中文
English