心血来潮，突然想爬取天猫内衣的购买信息记录，来对中国广大女性的胸围情况来次认真地探讨(很认真的那种)。
爬取内容为评论里的信息，包括尺码，颜色以及评价。
数据获取过程如下：
1. 习惯性打开开发者工具，果不其然，评论信息是动态生成的。
2. 所以就要到 network 去抓包，数据是 json 格式的。
3. 搞到评论的具体网址后分析下各参数，用 list 迭代岂不美滋滋？
4. 第一次迭代爬取 10w 条评论后用 set 去重后只剩下 1000 多条？？？
5. 经分析，它每隔几页评论就会弹出一个反爬虫连接验证登录，而且靠后一点，如 100 页后的数据显示的总是重复，经优化后一个商品差不多能爬到 4000 条不重复的评论。
6. 也可能是我技术还不到家吧，能力不够，努力来凑。
7. 我就爬取了不同的约 50 件商品的记录，得到了 20w 条评论信息（样本容量还是有点小，不过取样的范围广一点）。
前言首先，得对内衣的尺码有所了解，为此我专门查了一下，在这里给对这个还不熟悉的男同胞们科普一下。
胸围分为上胸围和下胸围。
如何测量下胸围尺码？
水平围绕胸部乳房底部一周的长度，即为胸部下围尺寸，单位：CM。
如何测量上胸围方法？
水平围绕胸部最高点（乳.头）一周的长度，即为胸上围尺寸，如测量尺寸时遇到小数，测量时建议采用进一法，例如 72.1 公分，计算为 73 公分。
还不知道怎么测量，看图。
如何计算罩杯的大小？
罩杯的大小就是上胸围减去下胸围的差。
根据步骤一测量的结果，用胸围尺寸 - 下胸围尺寸的差，即确定罩杯号型，对应罩杯参考。
本来以为 A 已经够优秀了，没想到还有 AA 的，比优秀还优秀。
加油，摸摸大！ 接下来就是确定具体尺码了，尺码有两种，英式尺码和国际尺码。
不能再描述下去了，再描述下去成BRA科普文了，上酸菜，啊不，上正文~~
有了这些基本概念后，我们再来看看这具体的 20w 条数据能告诉我们什么。
颜色
对颜色进行分词统计词频，清理数据后共有 136 个，对 top20 生成条形图。
肤色 黑色 粉色
在第一梯队，遥遥领先。
灰色 白色 卡其色 紫色 蓝色 浅紫色 红色 贵族黑 浅蓝
处于第二梯队，
贵族黑和黑色
有什么差别？黑得若隐若现？
薄杯，薄款，厚款，超薄
按厚度来，厚款 > 薄款 > 薄杯 > 超薄 ？
广大女性对薄款还是更多钟爱的，是因为现在夏天薄的比较凉爽吗？还是薄的性感一点？
具体 top60如下：
肤色, 67861
黑色, 48686
粉色, 15788
钢圈, 14846
薄款, 11928
薄杯, 9874
单件, 7109
灰色, 6486
白色, 6345
套装, 6228
卡其色, 5745
紫色, 5540
蓝色, 5333
厚款, 5126
浅紫色, 4336
红色, 4322
贵族黑, 4285
拉丝, 3793
浅蓝, 3667
超薄, 3627
下厚, 3459
上薄, 3459
绑带, 3236
酒红, 3215
肤嫩色, 2804
三排, 2543
亮面, 2403
纯色, 2205
轻肤, 2189
蕾丝, 2102
银灰色, 1979
藕荷色, 1802
玫红, 1781
宝蓝色, 1681
纯洁, 1659
全光肤, 1642
银灰, 1636
咖啡色, 1587
光面, 1548
段染, 1547
虾粉, 1546
水晶, 1371
亚光版, 1262
藏青, 1211
轻粉, 1185
绿色, 1113
浅绿色, 1074
粉红色, 1056
全光, 1053
金肤色, 1006
豆沙, 870
典雅, 788
果绿, 722
冰沙粉, 699
紫颜色, 678
经典, 649
蓝边, 643
奶白色, 621
浅粉, 563
薄荷绿, 556
才知道原来颜色可以有这么多种，长姿势了...
土豪金 静谧蓝 个性黑
挺别致的，
蕾丝
好像也深受喜爱，最后来个词云。
尺码
这 20w 条数据中，下胸围范围为 [ 70cm - 90cm ]，罩杯范围为 [ A - E ]。
先来看看总体的胸围情况。
总体上呈现先升后降的趋势，以 75cm 为分界点开始下滑。
总体范围还是在 70cm - 85cm， 95cm 的基本上已经很少了。
一是可能爬取的内衣商品里面有的没卖 95cm 的，二是这胸围的本来就少...
下胸围对应的总体比例。
再来看看总体的罩杯情况。
也是先升后降的趋势，这个是以 B 罩杯为分界点开始下滑，但是这个滑得明显比较陡峭一点，E 罩杯 只有可怜的 155。
哎！现实太骨感了，还是理想丰满一点。
罩杯对应的总体比例。
看完总体看具体，以罩杯为横坐标，绘制出各胸围对应的罩杯情况。
基本上都是先升后降，75cm 80cm 85cm 的是以 B 罩杯为分界点变换趋势，只有 70cm 的是一路向下滑。
90cm 和 95cm 由于量不足，在这个图里基本上已经贴着 X 轴了，把这两个单独拉出来看看。
这下就明显很多了，这两个是以 C 罩杯为分界点变换趋势的，因为毕竟胸围大，罩杯大的几率会大一点。
值得注意的是，95cm 是没有 A 罩杯和 E 罩杯的。
95cm 的胸围 A 的罩杯，这太可怜了吧，95cm 的胸围 E 的罩杯，那也是强得不敢想象。
以胸围为横坐标，绘制出各罩杯对应的胸围情况。
这个的趋势就比较有趣了，A 罩杯和 B 罩杯以 75cm 为分界点，开始下降。
A 罩杯降得比 B 罩杯稍微平缓一点，C 罩杯的波动就平缓很多，可能也是总体的量偏少，加上图表比例的关系。
至于 D 罩杯和 E 罩杯，还是贴地了，我也把它俩单独拉出来。
可以看到 D 罩杯是呈现梯状的，E 罩杯由于量实在少，基本上毫无波动。
再详细看看数据集中的范围吧。
胸围范围为 [ 70cm - 85cm ]，罩杯范围为 [ A - C ]，其对应的比例分别如下。
70cm 的情况，A > B > C
75cm 的情况，B > A > C
80cm 的情况，B > A > C
85cm 的情况，B > C > A
70cm 的小胸围罩杯比例 A > B > C，小胸围的本身应该就是偏瘦，瘦的话罩杯也是偏小。
75cm 和 80cm 的 B 罩杯的比例都要稍大于 A 罩杯的。
85cm 的 C 罩杯已经反超于 A 罩杯了，毕竟胸围大，罩杯也不会小到哪里去。
评价
一样的套路，分词然后统计词频，进行数据的清理。
其中有 42321 条评论用户是没有填写评论的，这个不进行处理。
由于评价没有统一规范，这个统计出来的词就多了去了，由 top20 生成条形图。
舒服 不错 喜欢 满意 可以 好评 合适 这些都是不错的评价，聚拢 ？显得大一点吗？
展示一下 top60，如下。
舒服, 39425
不错, 38335
质量, 27383
喜欢, 21841
穿着, 19816
内衣, 18281
宝贝, 17377
非常, 16812
聚拢, 14919
收到, 14881
满意, 14558
效果, 12684
可以, 11989
好评, 11520
合适, 10705
购买, 10254
没有, 9114
就是, 8807
有点, 8658
特别, 8455
真的, 8105
感觉, 7927
小, 7347
颜色, 6945
下次, 6876
这个, 6557
物流, 6517
起来, 6279
好看, 6250
还会, 5864
夏天, 5585
