专栏名称: 唧唧堂

唧唧堂学术管理分享平台，更好的学术阅读与写作！

Python网络爬虫与文本数据分析

唧唧堂 · 公众号 · · 2020-03-15 20:14

正文

在过去的两年间，Python一路高歌猛进，成功窜上“最火编程语言”的宝座。惊奇的是使用Python最多的人群其实不是程序员，而是数据科学家，尤其是社会科学家，涵盖的学科有 经济学、管理学、会计学、社会学、传播学、新闻学 等等。

大数据时代到来，网络数据正成为潜在宝藏，大量商业信息、社会信息以文本等非结构化、异构型数据格式存储于网页中。非计算机专业背景的人也可借助机器学习、人工智能等方法进行研究。使用网络世界数据进行研究，面临两大难点：

数据的获取
文本（非结构化）数据的处理与分析

数据获取需要借助Python编程语言设计网络爬虫，而获得的数据中有相当比例数据是非结构化数据，这就需要文本数据分析技术。爬虫市面上有很多爬虫课，这里我们举文本分析的一个应用。使用Python 可以帮助我们加速洞察的 广度和速度 ，假设你需要研究几千家公司数十年的报告，需要你标记出

公司发生重大政策变化的年份
外部环境发生重大变化的年份

如果靠人工去挖掘这两类信息，很难，不具有可实施性。但熟悉Python的人， 会借助Pandas粗略的绘制出每一个公司年报前后年份的相似性曲线 ，再用人工去读图。就会很快的识别出或政策或环境发生变化的时间点。

上图是 Cohen, Lauren, Christopher Malloy, and Quoc Nguyen. Lazy prices . No. w25084. National Bureau of Economic Research, 2018.

文中的一图。我们知道 前后年份年报相似性越小，说明该年份前后发生了很大的改变 。图中红色位置很辣眼睛，每家公司的海量的年报只需简单的读图就帮我们快速锁定2010年前后报告中含有某些重大变故，在这个案例中，工作效率说提高几十倍应该是妥妥的。

课程目录

第一节简介

课程介绍

课程知识点分布

第二节环境配置

Mac环境配置

Windows环境配置

pip安装问题解决办法

jupyter notebook使用方法

第三节 python基本语法

python跟英文一样也是一门语言，这很文科

字符串

列表

元组

字典

集合

if条件语句

for循环语句

try-except异常处理语句

第四节 python高级语法

切片-对想要的数据字段进行切片

列表推导式

函数

csv文件存储库

os文件路径操作库

re正则表达式(文本分析利器)

python初学者常见错误

第五节网络爬虫原理

理解访问与请求

寻求网址规律

开发者工具的使用

requests访问库

pyquery网页解析定位库

第六节网络爬虫实战

静态网站-天涯论坛

静态网站-大众点评

静态网站-boss直聘

动态网站-百度企业信用

动态网站-京东评论

动态网站-B站弹幕

动态网站-B站评论

如何用pandas采集网页中的表格数据

第七节初识文本分析

如何从不同格式的文件中读取数据

jieba分词、词频统计与可视化

海量公司年报的情感分析(中文)

英文数据的情感分析

如何对excel、csv文件做数据分析(pandas数据分析库）

第八节文本分析与机器学习

机器学习概论

用机器学习做文本分析的步骤

机器学习库scikit-learn

文本特征工程(描述数据的方式)

在线评论情感分类

了解聚类Kmeans算法

文本相似度计算

LDA话题模型

文本分析在经管研究中的应用案例

Python网络爬虫与文本数据分析

正文

请到「今天看啥」查看全文