python爬取旅游数据+matplotlib简单可视化

题目如下：

共由6个函数组成：

第一个函数爬取数据并转为DataFrame；

第二个函数爬取数据后存入Excel中，对于解题来说是多余的，仅当练手以及方便核对数据；

后面四个函数分别对应题目中的四个matplotlib图，为了看起来简洁，所有耦合较高。

下面对每个函数详细介绍

0、包导入

#!/usr/bin/env python3
# -*- coding:utf-8 -*-

import requests
import json
import openpyxl
import pandas
import matplotlib.pyplot as plt
import re

1、爬取数据并转为DataFrame

在url1中可以查到数据，由于网站是异步加载，要抓包得到url2，得到json数据。

用.text方法读取，并使用json.loads()函数转为python对象。

对数据获取和重组要结合url2的数据结构，分层拆开打印 后就可以轻松看到数据获取和重组的部分了。

最后一步pandas.DataFrame(df_dict, index=years[1:], columns=names)获取到的DataFrame列名为地区，行索引为年份，

在使用.stack().unstack(level=0)将其行列互转。

def get_data_to_df():
    """
    获取国家数据网上的旅游行业数据并转为dataframe返回
    :return: dataframe
    """
    url = "http://data.stats.gov.cn/easyquery.htm?cn=C01"  # 数据查询地址
    # json数据地址
    url2 = "http://data.stats.gov.cn/easyquery.htm?m=QueryData&dbcode=hgnd&rowcode=zb&colcode=sj&wds=%5B%5D&dfwds=%5B%7B%22wdcode%22%3A%22zb%22%2C%22valuecode%22%3A%22A0K05%22%7D%5D&k1=1571666678154&h=1"
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit'
                      '/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36'}

    html = requests.get(url2, headers=headers).text
    data = json.loads(html, encoding='utf-8')

    names = [i["name"] for i in data["returndata"]["wdnodes"][0]["nodes"]]
    years = [i["name"] for i in data["returndata"]["wdnodes"][1]["nodes"]]
    years.insert(0, "指标")

    df_dict = {}
    for num in range(len(names)):
        sub_data = [i["data"]["strdata"] for i in data["returndata"]["datanodes"][num * 10:num * 10 + 10]]
        sub_data.insert(0, names[num])
        df_dict[sub_data[0]] = sub_data[1:]
        # print(sub_data)

    df = pandas.DataFrame(df_dict, index=years[1:], columns=names).stack().unstack(level=0)
    return df

2、爬取数据并存入Excel

url解析部分同上。

为了简便，对excel写入数据使用append方法，所以年份作为数据的第一行，要在最前面加上一个列名，存入A1单元格。

def get_data_to_excel():
    """
    获取国家数据网上的旅游行业数据并存到data.xlsx中
    :return: .xlsx文件
    """
    # json数据地址
    url2 = "http://data.stats.gov.cn/easyquery.htm?m=QueryData&dbcode=hgnd&rowcode=zb&colcode=sj&wds=%5B%5D&dfwds=%5B%7B%22wdcode%22%3A%22zb%22%2C%22valuecode%22%3A%22A0K05%22%7D%5D&k1=1571666678154&h=1"
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit'
                      '/537.36 (KHTML, like Gecko) Chrome/67.0.3396.62 Safari/537.36'}

    html = requests.get(url2, headers=headers).text
    data = json.loads(html, encoding='utf-8')

    names = [i["name"] for i in data["returndata"]["wdnodes"][0]["nodes"]]
    years = [i["name"] for i in data["returndata"]["wdnodes"][1]["nodes"]]
    years.insert(0, "指标")
    workbook = openpyxl.Workbook()
    worksheet = workbook.active
    worksheet.append(years)

    for num in range(len(names)):
        sub_data = [i["data"]["strdata"] for i in data["returndata"]["datanodes"][num * 10:num * 10 + 10]]
        sub_data.insert(0, names[num])
        worksheet.append(sub_data)
        # print(sub_data)
    workbook.save("data.xlsx")

因为下面4个图都是matplotlib的，所以直接在这里进行中文和负号乱码问题的处理

plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']       # 配置语言
plt.rcParams['axes.unicode_minus'] = False    # 解决负号乱码

3、matplotlib饼图

调用get_data_to_df()得到DataFrame，然后取出2018年的一列数据，再转为dict方便数据获取。

因为DataFrame中的行索引是url上的原始数据 如“朝鲜入境游客”，而要输出的图例只是国家名，所有对countries 加上 “入境游客”来匹配DataFrame中的对应人次。

def asian_countries_pie():
    countries = ["朝鲜", "印度", "印度尼西亚", "日本", "马来西亚", "蒙古", "菲律宾", "新加坡", "韩国", "泰国"]
    df = dict(get_data_to_df()["2018年"])
    data = [df[i + "入境游客"] for i in countries]
    plt.pie(data, labels=countries)
    plt.title('2018年亚洲各国入境人次占比', fontsize=18)
    plt.show()

# asian_countries_pie()  # 图1

4、折线图

获取DataFrame的列名后，转为list，并反序排列，得到2009-2018正序的年份列表。

从DataFrame中获取对应的国家的10年数据，后均反序排列处理，数据要转为float才能传入matplotlib的plot中。

def asian_countries_line():
    countries = ["朝鲜", "印度", "印度尼西亚", "日本", "马来西亚", "蒙古", "菲律宾", "新加坡", "韩国", "泰国"]
    df = get_data_to_df()
    years = df.columns.values.tolist()[::-1]
    data1 = [float(i) for i in dict(df.loc[countries[0] + "入境游客"]).values()][::-1]
    data2 = [float(i) for i in dict(df.loc[countries[1] + "入境游客"]).values()][::-1]
    data3 = [float(i) for i in dict(df.loc[countries[2] + "入境游客"]).values()][::-1]
    data4 = [float(i) for i in dict(df.loc[countries[3] + "入境游客"]).values()][::-1]
    data5 = [float(i) for i in dict(df.loc[countries[4] + "入境游客"]).values()][::-1]
    data6 = [float(i) for i in dict(df.loc[countries[5] + "入境游客"]).values()][::-1]
    data7 = [float(i) for i in dict(df.loc[countries[6] + "入境游客"]).values()][::-1]
    data8 = [float(i) for i in dict(df.loc[countries[7] + "入境游客"]).values()][::-1]
    data9 = [float(i) for i in dict(df.loc[countries[8] + "入境游客"]).values()][::-1]
    data10 = [float(i) for i in dict(df.loc[countries[9] + "入境游客"]).values()][::-1]

    plt.plot(years, data1, label=countries[0])
    plt.plot(years, data2, label=countries[1])
    plt.plot(years, data3, label=countries[2])
    plt.plot(years, data4, label=countries[3])
    plt.plot(years, data5, label=countries[4])
    plt.plot(years, data6, label=countries[5])
    plt.plot(years, data7, label=countries[6])
    plt.plot(years, data8, label=countries[7])
    plt.plot(years, data9, label=countries[8])
    plt.plot(years, data10, label=countries[9])
    plt.title("近十年亚洲各国入境人次走势图")
    plt.ylabel('入境游客(万人次)', fontsize=14)  # y轴名称，字号
    plt.legend(loc='upper right')    # 这里为显示图例，并配置图例位置为右上角
    plt.show()

# asian_countries_line()  # 图2

5、又是饼图

获取行索引，regions

在行索引中找到名字里带“洲”的，取得去掉后面“入境游客”四个字符的名称即洲名。

在DataFrame 2018年 一整列数据中 取得洲游客数据。

def continents_pie():
    df = get_data_to_df()
    regions = df.index.tolist()
    continents = [i[:-4] for i in regions if re.search("洲", i)]
    data = [v for k, v in df["2018年"].to_dict().items() if (k[:-4] in continents)]
    plt.pie(data, labels=continents)
    plt.title("各州入境人次占比")
    plt.show()
# continents_pie()  # 图3

6、又是折线图

获取洲名称列表同上。

本次要取各大洲的一整行数据，用到DataFrame.loc[行索引] 方法。

def continents_line():
    df = get_data_to_df()
    years = df.columns.tolist()[::-1]
    regions = df.index.tolist()
    continents = [i[:-4] for i in regions if re.search("洲", i)]

    Asia = [float(i) for i in df.loc[continents[0] + "入境游客"].to_dict().values()][::-1]
    Africa = [float(i) for i in df.loc[continents[1] + "入境游客"].to_dict().values()][::-1]
    Europe = [float(i) for i in df.loc[continents[2] + "入境游客"].to_dict().values()][::-1]
    Latin = [float(i) for i in df.loc[continents[3] + "入境游客"].to_dict().values()][::-1]
    America = [float(i) for i in df.loc[continents[4] + "入境游客"].to_dict().values()][::-1]
    Oceania = [float(i) for i in df.loc[continents[5] + "入境游客"].to_dict().values()][::-1]

    plt.plot(years, Asia, label=continents[0])
    plt.plot(years, Africa, label=continents[1])
    plt.plot(years, Europe, label=continents[2])
    plt.plot(years, Latin, label=continents[3])
    plt.plot(years, America, label=continents[4])
    plt.plot(years, Oceania, label=continents[4])
    plt.title("近十年各洲入境人次走势图")
    plt.legend(loc="upper right")
    plt.show()

continents_line()   # 图4