时间: 2021-07-30 09:16:30 人气: 5 评论: 0
本文作者详细介绍了python技术，一起来学习一下~
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。
python可以用来干什么呢？
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。
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。
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**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**不**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**引玉，求专业人士解答下）
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，**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。
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**去数据库查找，返回相关的文件信息，那么你就**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》。
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。
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。
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。
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。
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？
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。
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：
这里主要用到了两个库：jieba分词用的，wordcloud词云用，matplib显示用。
#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()
（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。
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**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
