| zara、hm、优衣库门店分布分析 | 您所在的位置：网站首页 › gap在上海的专卖店地址 › zara、hm、优衣库门店分布分析 |
zara、hm、优衣库门店分布分析
|
前阵子恰好在逛优衣库，想起来好久没在zara，hm买衣服了。就产生了分析比较一下这几家快时尚品牌的想法，那从哪方面来分析呢？考虑其他数据获取的复杂性，本次先以线下门店分布这一个侧面来看吧！本来想把GAP也纳入其中，但是数据不太好扒，就先分析这三家。 一、数据获取本次数据获取主要来源于百度百科的门店列表。 优衣库：https://baike.baidu.com/item/%E4%BC%98%E8%A1%A3%E5%BA%93/4397542?fr=aladdin hm:https://baike.baidu.com/item/HM/7193957 zara:https://baike.baidu.com/item/ZARA 三家百科的门店列表略有差异，利用excel与python把格式统一一下。主要包含以下几个步骤： 1) 先把三家的店铺分布直接复制粘贴到excel表格中，文件名shop_address.xlsx，包含三个sheet, sheetname分别是zara、hm、uniqlo 2)各sheet格式统一 hm与zara在百科的形式比较规范，直接粘到excel稍作简单处理即可。uniqlo（优衣库）的格式有些差异，见下图。
在同一个城市中的所有门店都在一个单元格中用逗号隔开，对其采用python处理。代码如下 data = pd.read_excel('shop_address.xlsx', sheet_name='uniqlo', header=None) df = pd.DataFrame() for i in range(data.shape[0]): city = data.iloc[i,0] shop = data.iloc[i,1] shop_list = shop.split('、') tmp = pd.DataFrame({'city':city, 'shop':shop_list}) df = pd.concat([df, tmp], axis=0) df.to_excel('shop_address.xlsx',sheet_name='uniqlo')最终，得到格式规范的excel如下，每个sheet包含3个列，分别是city（城市）、shop(店名）、address(详细地址）。需要注意的是，uniqlo表单中只有2列：city、shop，不含address列（百度百科没有提供）。
原数据已经处理干净了，分别存在3个sheet中，将其整合在一起之后就可以开始分析了。等等！眼尖的小伙伴可能发现我们的主要信息是地址，而且是字符串！如果直接使用的话其实不能充分利用这些地址信息。那么我们可以将地址转化为经纬度信息，这些令人烦躁的文字信息就转化为数字啦！ 地址的经纬度转换，笔者是通过百度地图API实现的。这也是我第一次调用百度地图API，在网上搜一搜有很多教程哒，大家动动小手指，建个账户开通API调用服务(免费的），接下来就可以摩拳擦掌了！ 下面是我使用地址经纬度转换函数 def get_geocode(address): ak = '把你的百度地图API调用服务的AK粘贴在这里' sk = '把你的百度地图API调用服务的SK粘贴在这里' queryStr = '/geocoding/v3/?address=%s&output=json&ak=%s' % (address,ak) # 对queryStr进行转码，safe内的保留字符不转换 encodedStr = urllib.parse.quote(queryStr, safe="/:=&?#+!$,;'@()*[]") # 在最后直接追加上yoursk rawStr = encodedStr + sk #计算sn sn = (hashlib.md5(urllib.parse.quote_plus(rawStr).encode("utf8")).hexdigest()) #由于URL里面含有中文，所以需要用parse.quote进行处理，然后返回最终可调用的url url = urllib.parse.quote("http://api.map.baidu.com"+queryStr+"&sn="+sn, safe="/:=&?#+!$,;'@()*[]") uh = urllib.request.urlopen(url) rst = uh.read().decode() rst = eval(rst) lng, lat = None, None if rst['status'] == 0: loc = rst['result']['location'] lng = loc['lng'] lat = loc['lat'] return lng,lat接下来，我们指使用这个函数对所有地址进行经纬度转换，同时将三个sheet整合成一个dataframe。主要思想如下： 依次读入三个sheet到一个数据框df中，对每个df的地址列使用apply函数完成列批量转换，然后将三个数据框用concat函数拼接在一起。具体代码如下： file_name = 'shop_adress.xlsx' sheet_name = ['zara','hm', 'uniqlo'] data = pd.read_excel(file_name, sheet_name) full_data = pd.DataFrame() for brand in sheet_name: df = data[brand] df['brand'] = brand # 加品牌列 full_address = brand + df['city'] + df['shop'] # 拼接完整地址 df['geocode'] = full_address.apply(get_geocode) # 计算经纬度 full_data = pd.concat([full_data, df], axis=0, sort=False) # 将3个表数据合为一个表 full_data['lng'] = full_data['geocode'].map(lambda x:x[0]) # 经度 full_data['lat'] = full_data['geocode'].map(lambda x:x[1]) # 纬度 三、绘制门店分布图既然已经完成了，接下来我们来做个fancy的事情。有了经纬度我们可以来绘制门店分布地图啦！在地图上画分布是不是比绘制散点图fancy多了！ 绘制地图有很多python包可以用，笔者这里采用的pyecharts包，没有安装的小伙伴们pip install pyecharts一下就可以啦。我们希望将地址的经纬度批量输入，然后调用pyecharts的相关函数就可以画出分布图。通过pyecharts官网上的说明文档找到两个与我们目的的相关函数add_coordinate、add_coordinate_json。add_coordinate一次只能加一个点在地图上，因此我们采用add_coordinate_json函数，该函数读取一个包含多条坐标（经纬度）信息的json格式文件，在地图上批量加点。 因此，首先我们需要把所有地址信息存到一个json格式文件中 geo_cities_coords= {full_data.iloc[i]['shop']:[full_data.iloc[i]['lng'], full_data.iloc[i]['lat']] for i in range(len(full_data))}绘制地图还需要其他参数的设定，如：绘制地址区域（设为china)，地图大小，点的颜色、鼠标效果等等 pieces= [ {'value': 1, 'label':'zara', 'color':'red'}, {'value': 2, 'label':'hm', 'color':'green'}, {'value': 3, 'label':'uniqlo', 'color':'yellow'}, ] geo = (Geo(). add_schema(maptype="china"). add_coordinate_json(dir_name+'shop_coords.json'). add('distribution',list(zip(attr,value))). set_series_opts(label_opts=opts.LabelOpts(is_show=False)). set_global_opts( visualmap_opts=opts.VisualMapOpts(is_piecewise=True, pieces=pieces, pos_left='10%'), title_opts=opts.TitleOpts(title="门店分布")) ) geo.render('门店分布.html')最终生成一个html文件，在浏览器中打开即可看到各家品牌的门店分布情况。且可通过鼠标对地图放大缩小、查看各点信息等。
到这里，其实我们表里的所有信息都展示在了这张图里！！！后面的分析可以随时结合这张图来观察。 to be continued ========================闲聊时间======================== 时间有限，今日份分析先到此为止，接下来几天笔者要去日本玩耍了，等回来再写后续吧。 |
【本文地址】