诞生背景

2019年的春节假期会给我们留下深刻的印象，没有拜年、没有家庭聚餐、没有三五好友的寒暄嬉闹；2020年的春天也会给我们这代人留下深刻的印象，非典时期的我们还是两三岁傻乎乎的孩子，却在这个春天迎头撞上了新冠，选择宅在家大概是我们普通人仅有的贡献，虽经历了确诊人数的峰值时期，但也见证了这个曲线逐渐缓和，渐渐“春暖了雪也融了”。
今天是假期的第55天，是我宅在家中的第40天，也是网课开始的第5天，如果没有意外，会保持这种状态直到疫情得到控制、学校下达返校通知的那一天，“宅“可能是许多人的标配，但是两个月的时间应该很少有人经历过，这间小屋已经很难控制我躁动的心，所以待疫情之后，我想用一场旅行“弥补”自己，这会是许多人内心所想，只在等那一天的到来。
在“去哪儿网”爬取了一份有关“游记”的数据集，做一份简易的旅行攻略。

爬取数据

数据地址：去哪儿网—>攻略—>攻略库—>热门游记
在这里插入图片描述
如图上可爬取到一些有用的数据：出发时间、旅游天数、人均费用、结伴人物、玩法、一条简介、游记的浏览量，当然也包括旅游地点(在简介之上，未截图)，去哪儿网是一个对爬虫比较友好的网站，不需要模拟登录，只需要加上请求头即可完成爬取，切记爬慢一点，拿着人家的数据还给人家添麻烦，属实过分。
数据概览：在这里插入图片描述
这份数据集共包括1775个样本以及8个属性

数据清洗

通过观察数据，有以下问题需要处理：

由于有的网页不规范，所以有的网页没有爬取到“地点”这一信息，数据中用“攻略”代替了；
将“出发时间”更改为标准时间格式；
“天数”中有“99+”的字样，明显是错误数据；
“人均费用”有低于100的数据？？？我读的书少，不要骗我；
“浏览量”中的数据不规范，需要统一强制转换成整型；

部分代码如下：

data = data[~data['地点'].isin(['攻略'])]#~表示取反
data['出发时间']=pd.to_datetime(data['出发时间'])#转时间格式
data = data[~data['天数'].isin(['99+'])]
data['天数'] = data['天数'].astype(int)
data = data[data['人均费用'].values>200]
data = data[data['天数']<=15]
data = data.reset_index(drop=True)
#Month是一个自定义函数，提取出出游月份，过于冗杂，不贴代码
data['旅行月份'] = data['出发时间'].apply(Month)
def Look(e): #自定义函数转换浏览量类型
    if '万' in e:
        num1 = re.findall('(.*?)万',e)
        return float(num1[0])*10000
    else:
        return float(e)
data['浏览次数'] = data['浏览量'].apply(Look).astype(int)

经数据清洗后：
在这里插入图片描述

数据分析

短评词云分析图

在这里插入图片描述
“美食”、“成都”、“自驾”是权重最高的三个词，事实确实如此，当我们计划到一个陌生城市游玩时，可能脑海里第一个想到的并不是当地有什么风景可看，而是有什么美食可吃，大概每个人都能算得上一个吃货吧；自驾游也是当下火热的出游方式，随时都可以来一场说走就走的旅行。

旅游胜地Top10及对应费用

在这里插入图片描述
这份数据集中，成都以106次访问成为Top1，成都的都江堰就足以引客无数，但可可爱爱熊猫的繁殖基地也位于成都，更是吸引了许多的熊猫粉前往，谁不想近距离接触一下这个铁憨憨国宝呢。

就价格而言，三亚成为Top1，人均费用近2000RMB，而平遥人均费用仅有1267RMB，一个是绝美的海岛风情，另一个则是饱经沧桑的平遥古城。