这篇文章主要介绍了用 Python 绘制全国鸿星尔克门店分布图，今天就以某度地图 用Python爬虫看一下全国到底有多少家鸿星尔克门店，,需要的朋友可以参考一下
1、需求分析
首先我们打开地图搜索“鸿星尔克”：
复制该链接到浏览器，发现这是一个json格式的数据集。我们所需要的省份和对应数量还有各个城市对应的数量都在其中。
2、发送请求
我们首先模拟浏览器来发送请求获取到这个json数据集，然后获取各个城市鸿星尔克门店及其对应数量 。
url = 'https://map.baidu.com/?newmap=1&reqflag=pcmap&biz=1&from=webmap&da_par=baidu&pcevaname=pc4.1&qt=s&da_src=searchBox.button&wd=%E9%B8%BF%E6%98%9F%E5%B0%94%E5%85%8B&c=1&src=0&wd2=&pn=0&sug=0&l=5&b=(7854419.220000001,831323.8799999999;15358291.22,8507227.879999999)&from=webmap&biz_forward={%22scaler%22:1,%22styles%22:%22pl%22}&sug_forward=&auth=yER4N%40Rwcw0cBSVCeS%3DdQBAfLdF6agFfuxLzNBVHVHRtxZhQxjh%40wWvvYgP1PcGCgYvjPuVtvYgPMGvgWv%40uVtvYgPPxRYuVtvYgP%40vYZcvWPCuVtvYgP%40ZPcPPuVtvYgPhPPyheuVtcvY1SGpuRtDpnSCE%40%40By1uVtCGYuVt1GgvPUDZYOYIZuVt1cv3uVtGccZcuVtPWv3GuBtR9KxXwPYIUvhgMZSguxzBEHLNRTVtcEWe1GD8zv7u%40ZPuVtc3CuVteuEthjzgjyBODQEYHUHBxfiKKvMuxcc%40AJ&seckey=cde6ebb241c3d75c675c8688828640edba33c570fc006f6ccdee864f2e95d88033fc19e794fee19c2417a6953ba260f3e91efa7e82cbc9c45b5854aec79ce924b08cce22526301f3a8c80710ebb635e73f5eccb560ee1dc38add2dfc793843279646449563fa4547850c144c3838de6fb1efaab7253aa6e99c1de56b4ddbad3905f480e4d46e5414c519465f08bedee98acac8fc7d2f84f413b041287538b09a811ee347b66a4c2c948f2ffa2f6e7674e0c5cb2b6407b610181af9064f870280fd7053482a91caa7cb762068ea41c4bb7bd2f7899f81a2ba5ab3fde28503a6fdc54b0fdee52cc2d02da76e1a4f1b4745&device_ratio=1&tn=B_NORMAL_MAP&nn=0&ie=utf-8&t=1627305062813' headers = { 'Cookie': 'BIDUPSID=5FDDBE7E96E9CA6D71998093E123403A; PSTM=1627225875; BAIDUID=F934E08738623DF508F108DEF391CFB9:FG=1; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BCLID_BFESS=8512773460870798959; BDSFRCVID_BFESS=5UPOJeC62l07libepqHRKmSPxe5rbsOTH6aoyt6boQjiS8lguPwkEG0PHf8g0Ku-S2EqogKKy2OTH9DF_2uxOjjg8UtVJeC6EG0Ptf8g0M5; H_BDCLCKID_SF_BFESS=tJk8_DPbJK-3fP36q4cBb-4WhmT22-us3g7W2hcH0b61EnR_XRQcbJ8LQ-Qi2lJTMITiaKJjBMb1DbRMLfjN5TODKf-DKb3pWDTm_q5TtUJMeCnTDMRh-l04XNbyKMnitIv9-pPKWhQrh459XP68bTkA5bjZKxtq3mkjbPbDfn028DKuDj-WDjJ0DGRf-b-X-I6b0nRH-njfebRNq4nKbICShG4tLlO9WDTm_DostI3SjJoNKbQ10xPD0n3OK6QHKj79-pPKKR7BfKQPhpQ8MqJbhMJtQnbW3mkjbpnDfn02OPKz0T5pKt4syPR8JfRnWn5RKfA-b4ncjRcTehoM3xI8LNj405OTbIFO0KJzJCcjqR8ZDTuBj55P; __yjs_duid=1_695635cb727c238e28cd4254a28a7a0e1627258379781; BAIDUID_BFESS=F934E08738623DF508F108DEF391CFB9:FG=1; __yjs_st=2_NDRiODllYWQzMjBiMzFhYTlmYWVjZTE4NjFkZTM5MmMwODhlZDE0MjVkYWVmMjIzMzc3MWI2Y2RlOTNkMWJkNDBhNmE2YTIyMTJlZjg0ODJiNzk0NDY2NTYxY2NkOGY5YjM5ODViMDAyZjAwY2E0MThjODUyMGM0N2JiMmEyZGEyMTA4ODdkNjViYjcwNDEwODhjNDkzNDg4YjQyMWNjYTI4ZjAzZDllYTg3YjE3ZDRiYWNlMmJkMzc3YjE1OGU5NWU4NjM3YWQxMjkwNDVkMmMyZTM1YTQ5ODgxNTA4ZjE3MDk2YTYwODg5MmY5ZTZlMmYxZGQ5ZTU1OTdkZGYxZV83X2VhYjhlOWZi; H_PS_PSSID=34300_34100_33969_34272_31254_33848_34282_26350_22158; delPer=0; PSINO=3; BA_HECTOR=002h218g2ka58g0lhq1gftcs10r; ab_sr=1.0.1_ZWRlNDJiMzk0ZWQ3YzZmYzgxMmQzOTIyZDBlN2FjZTIxNjIzODliZWE4MzZjZGEwZTBiMTIzNGRmNDhiYmM2NTJhZjI0ZjBkNTFlMjg4MWYxYmY3ZDMzMGVkNmQ1NTNhMDVkN2I1ZGViMDY2ZjBlNWJmOTk4NTBhZGIwOGU4OTg5YzNiM2QwZjVhMTFkYmQ0ODU2NTJkYzNkZmI0ZjI1MA==; PMS_JT=%28%7B%22s%22%3A1627305057015%2C%22r%22%3A%22https%3A//map.baidu.com/@11606355.22%2C4669275.88%2C5.4z%22%7D%29', 'Referer': 'https://map.baidu.com/search/%E9%B8%BF%E6%98%9F%E5%B0%94%E5%85%8B/@11606355.22,4669275.88,5z?querytype=s&da_src=shareurl&wd=%E9%B8%BF%E6%98%9F%E5%B0%94%E5%85%8B&c=1&src=0&pn=0&sug=0&l=5&b=(6569474.192744261,1360353.0162781863;12256345.744431017,7177600.4441499)&from=webmap&biz_forward=%7B%22scaler%22:1,%22styles%22:%22pl%22%7D&seckey=cde6ebb241c3d75c675c8688828640edba33c570fc006f6ccdee864f2e95d88033fc19e794fee19c2417a6953ba260f3e91efa7e82cbc9c45b5854aec79ce924b08cce22526301f3a8c80710ebb635e73f5eccb560ee1dc38add2dfc793843279646449563fa4547850c144c3838de6fb1efaab7253aa6e99c1de56b4ddbad3905f480e4d46e5414c519465f08bedee98acac8fc7d2f84f413b041287538b09a811ee347b66a4c2c948f2ffa2f6e7674e0c5cb2b6407b610181af9064f870280fd7053482a91caa7cb762068ea41c4bb7bd2f7899f81a2ba5ab3fde28503a6fdc54b0fdee52cc2d02da76e1a4f1b4745&device_ratio=1', 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4573.0 Safari/537.36' } resp = requests.get(url, headers = headers) if resp.status_code == requests.codes.ok: print(resp.json())获取相应信息如下：
接下来我们先来获取各个省份和对应的数量，因为咱们国家除了23个省还有直辖市等，所以我们要分步获取
中国共计34个省级行政区，包括23个省、5个自治区、4个直辖市、2个特别行政区。23个省分别为：河北省、山西省、辽宁省、吉林省、黑龙江省、江苏省、浙江省、安徽省、福建省、江西省、山东省、河南省、湖北省、湖南省、广东省、海南省、四川省、贵州省、云南省、陕西省、甘肃省、青海省、台湾省。
5个自治区分别为：内蒙古自治区、广西壮族自治区、西藏自治区、宁夏回族自治区、新疆维吾尔自治区。4个直辖市分别为：北京市、天津市、上海市、重庆市。2个特别行政区分别为：香港特别行政区、澳门特别行政区。
四个直辖市所在的位置是不同于其它城市的，分布如下：
我们将获取到的信息使用熊猫保存在省份的Excel中，代码如下：
prov = [] value = [] # 获取四个直辖市 hot_city = datas.json()['hot_city'] for i in hot_city: pv = i.split('|') if '北京市' in pv[0]: prov.append(pv[0]) value.append(pv[1]) if '上海市' in pv[0]: prov.append(pv[0]) value.append(pv[1]) if '天津市' in pv[0]: prov.append(pv[0]) value.append(pv[1]) if '重庆市' in pv[0]: prov.append(pv[0]) value.append(pv[1]) # 打印出所有省份信息 city_list = datas.json()['more_city'] for item in city_list: # 获取鸿星尔克所在省份 province = item['province'] prov.append(province) # 获取鸿星尔克所在省份的数量 prov_num = item['num'] value.append(prov_num) pd_data = pd.DataFrame({ '省份': prov, '数量': value, }) pd_data.to_excel('省份.xlsx') ic('省份信息打印完成！')Excel存储省份数据如下：
同样的我们可以获取各个省份内具体城市的红鸿星尔克门店数量
所有城市信息包括热门城市+更多城市 两部分组成
city = [] value = [] # 获取四个直辖市 hot_city = datas.json()['hot_city'] for i in hot_city: pv = i.split('|') if '广州市' in pv[0]: city.append(pv[0]) value.append(pv[1]) if '成都市' in pv[0]: city.append(pv[0]) value.append(pv[1]) if '南京市' in pv[0]: city.append(pv[0]) value.append(pv[1]) if '杭州市' in pv[0]: city.append(pv[0]) value.append(pv[1]) if '武汉市' in pv[0]: city.append(pv[0]) value.append(pv[1]) if '深圳市' in pv[0]: city.append(pv[0]) value.append(pv[1]) # 打印出所有城市信息 city_list = datas.json()['more_city'] for item in city_list: cities = item['city'] for i in cities: # 获取鸿星尔克所在省份的市区 cit = i['name'] city.append(cit) # 获取鸿星尔克所在省份的市区对应的数量 city_num = i['num'] value.append(city_num) pd_data = pd.DataFrame({ '城市': city, '数量': value, }) pd_data.to_excel('城市.xlsx') ic('城市信息打印完成！')Excel存储城市数据如下：
3、数据处理
我们先要使用Pandas来读取并且清洗数据
主要就是去掉省份后面的’省’字和‘自治区’等
# 读取文件 pd_data = pd.read_excel('省份.xlsx') prov = pd_data['省份'].tolist() prov_num = pd_data['数量'].tolist() name = [] for i in prov: if "省" in i: name.append(i.replace('省', '')) elif '内蒙古自治区' in i: name.append(i.replace('自治区', '')) else: name.append(i[:2]) ic(name) ic(prov) ''' 2021-07-27 20:50:50.752477|name: ['北京','上海','天津','重庆','广东','浙江','山东','江苏','河北','安徽','湖南','四川','福建','河南','内蒙古','山西','广西','贵州','黑龙江','湖北','云南','甘肃','辽宁','陕西','江西','吉林','上海','新疆','天津','宁夏','海南','西藏','青海'] 2021-07-27 20:50:50.752477|prov: ['北京市','上海市','天津市','重庆市','广东省','浙江省','山东省','江苏省','河北省','安徽省','湖南省','四川省','福建省','河南省','内蒙古自治区','山西省','广西壮族自治区','贵州省','黑龙江省','湖北省','云南省','甘肃省','辽宁省','陕西省','江西省','吉林省','上海市','新疆维吾尔自治区','天津市','宁夏回族自治区','海南省','西藏自治区','青海省'] '''接下来我们使用pyecharts来可视化我们清洗过后的数据
map = ( Map() .add("数量分布", [list(z) for z in zip(prov, prov_num)], "china") .set_global_opts( title_opts=opts.TitleOpts(title="鸿星尔克全国门店分布图"), visualmap_opts=opts.VisualMapOpts(max_=500, is_piecewise=True), ) ) map.render('省份.shtml') ic('省份分布图绘制完毕！')效果图如下：
省份所在的各个城市图也是同理。我们就以门店最多的广东作为案例，你也可以选择任意省份哈
抓取数据->存储数据->处理数据->可视化数据最终效果如下:
数据可视化之后一目了然，比起看Excel更加赏心悦目。并且事半功倍。
到此这篇关于用 Python 绘制全国鸿星尔克门店分布图的文章就介绍到这了,更多相关 Python 绘制全国鸿星尔克门店分布图内容请搜索0133技术站以前的文章或继续浏览下面的相关文章希望大家以后多多支持0133技术站！
以上就是用 Python 绘制全国鸿星尔克门店分布图的详细内容，更多请关注0133技术站其它相关文章！
