大數(shù)據(jù)技術(shù)在商業(yè)分析中的實(shí)踐應(yīng)用研究

宋偉偉

（四川財(cái)經(jīng)職業(yè)學(xué)院，四川 成都 610101）

1 大數(shù)據(jù)技術(shù)

大數(shù)據(jù)技術(shù)是當(dāng)前比較熱門的技術(shù)之一，萬(wàn)物信息化、數(shù)字化就會(huì)產(chǎn)生大量的數(shù)據(jù)，而產(chǎn)生的大量數(shù)據(jù)是錯(cuò)綜雜亂的，可以通過(guò)數(shù)據(jù)分析、可視化等技術(shù)，將有規(guī)律有用的信息呈現(xiàn)出來(lái)[1]。數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)是一門比較新穎且跨學(xué)科比較多的技術(shù)， 因此需要有數(shù)學(xué)、編程、統(tǒng)計(jì)學(xué)、計(jì)算機(jī)等知識(shí)。

商業(yè)數(shù)據(jù)分析不僅是向管理者提供各種數(shù)據(jù)， 還需要更加深入的方法來(lái)記錄、分析和提煉數(shù)據(jù)， 并以易于理解的格式呈現(xiàn)結(jié)果。數(shù)據(jù)本身僅僅是事實(shí)和數(shù)字，可以通過(guò)大數(shù)據(jù)技術(shù)尋找數(shù)據(jù)規(guī)律，結(jié)合業(yè)務(wù)問(wèn)題找出有用信息，提高生產(chǎn)力。

2 實(shí)驗(yàn)相關(guān)技術(shù)闡述

2.1 網(wǎng)絡(luò)爬蟲技術(shù)

網(wǎng)絡(luò)爬蟲[2]是一種基于B/S架構(gòu)的數(shù)據(jù)采集技術(shù)，它能夠按照一定的規(guī)則自動(dòng)抓取萬(wàn)維網(wǎng)信息的程序或者腳本。網(wǎng)絡(luò)爬蟲運(yùn)行流程如圖1所示，由調(diào)度器負(fù)責(zé)URL管理器、網(wǎng)頁(yè)下載器、網(wǎng)頁(yè)解析器之間的協(xié)調(diào)工作，價(jià)值數(shù)據(jù)是從網(wǎng)頁(yè)中提取出的數(shù)據(jù)，其通常被保存在文件或者數(shù)據(jù)庫(kù)中。

圖1 網(wǎng)絡(luò)爬蟲運(yùn)行流程

2.2 數(shù)據(jù)庫(kù)存儲(chǔ)技術(shù)

通過(guò)網(wǎng)絡(luò)爬蟲對(duì)于爬取到的數(shù)據(jù)列表進(jìn)行存儲(chǔ)，以備下一步數(shù)據(jù)分析使用。主要用到的數(shù)據(jù)存儲(chǔ)技術(shù)是mysql、sqlserver、csv文 件 存 儲(chǔ)、excel表 格 存 儲(chǔ)、mongoDB等，本文實(shí)驗(yàn)中是將爬取到的數(shù)據(jù)存儲(chǔ)到mysql數(shù)據(jù)庫(kù)中。

2.3 數(shù)據(jù)分析技術(shù)

商業(yè)數(shù)據(jù)分析工具主要包括Python、R、Stata、MATLAB、EViews、SAS、SPSS等，本文實(shí)驗(yàn)應(yīng)用的是Python數(shù)據(jù)分析工具。

Python是一種面向?qū)ο?、解釋性的?jì)算機(jī)程序設(shè)計(jì)語(yǔ)言，Python語(yǔ)言簡(jiǎn)潔而清晰，具有豐富而強(qiáng)大的類庫(kù)，能夠把用其他語(yǔ)言制作的各種模塊很輕松地聯(lián)結(jié)在一起。在Python中，通過(guò)安裝Pandas、Numpy、

Scipy、Statsmodels、Matplotlib、Seaborn、Scikit-Learn、Theano、Tensorf low等一系列的程序包實(shí)現(xiàn)上述功能，還需要安裝IPython交互環(huán)境。

本文實(shí)驗(yàn)中，通過(guò)Numpy實(shí)現(xiàn)數(shù)值計(jì)算， Pandas實(shí)現(xiàn)數(shù)據(jù)分析、分組聚合等操作，Matplotlib 和Seaborn實(shí)現(xiàn)數(shù)據(jù)可視化。

2.4 數(shù)據(jù)可視化技術(shù)

Python提供了非常多樣的繪圖功能，可以通過(guò)Python提供的工具M(jìn)atplotlib繪制二維、三維圖形。Seaborn在Python中用于創(chuàng)建信息豐富和有吸引力的統(tǒng)計(jì)圖形庫(kù)，它基于Matplotlib，提供多種功能，實(shí)現(xiàn)單因素、雙因素、線性回歸、數(shù)據(jù)矩陣、統(tǒng)計(jì)時(shí)間序列等的可視化，以便進(jìn)一步實(shí)現(xiàn)更加復(fù)雜的可視化過(guò)程。

Matplotlib常用的制圖功能有直方圖、散點(diǎn)圖、曲線標(biāo)繪圖、連線標(biāo)繪圖、箱圖、餅圖、條形圖、點(diǎn)圖等。

3 在商業(yè)中的應(yīng)用

準(zhǔn)備好工具后，首先需要從網(wǎng)站上抓取信息并對(duì)數(shù)據(jù)進(jìn)行初步分析，了解數(shù)據(jù)的構(gòu)成并判斷數(shù)據(jù)的質(zhì)量。數(shù)據(jù)初步分析往往是統(tǒng)計(jì)性的、多角度的、嘗試性的。根據(jù)分析的結(jié)果進(jìn)行深入的挖掘， 得到更有價(jià)值的結(jié)果。

3.1 明確目標(biāo)

論文中的目標(biāo)相對(duì)比較明確，最終目標(biāo)是要根據(jù)實(shí)時(shí)獲取到的Top100排名圖書，可視化顯示前十名熱銷圖書和熱評(píng)圖書的數(shù)據(jù)，以及根據(jù)關(guān)注的圖書進(jìn)行圖書推薦、圖書價(jià)格和評(píng)論預(yù)警等功能。

3.2 數(shù)據(jù)采集與處理

在進(jìn)行數(shù)據(jù)采集時(shí)，需要根據(jù)實(shí)際的業(yè)務(wù)環(huán)境采用不同的方式，本文中使用爬蟲對(duì)數(shù)據(jù)進(jìn)行采集，使用爬蟲獲取京東計(jì)算機(jī)行業(yè)排行榜數(shù)據(jù)。獲取的數(shù)據(jù)有：獲取排名前100名的圖書名、出版社、圖書鏈接、圖書ID、價(jià)格。

本文采集數(shù)據(jù)中，創(chuàng)建了Crawl.py文件，創(chuàng)建了的Crawl類定義三個(gè)方法：def get_ranking（ ）：獲取排行前100名的圖書ID；def get_ pr ice（ ）：根據(jù)ID獲取前100名在圖書價(jià)格，并存儲(chǔ)圖書名、出版社、京東價(jià)格、定價(jià)、鏈接、ID列表；def get_evaluation（）：獲取評(píng)價(jià)評(píng)分內(nèi)容。

3.3 數(shù)據(jù)庫(kù)存儲(chǔ)操作

將獲取到的圖書信息存儲(chǔ)到MySQL數(shù)據(jù)庫(kù)表中。新建mysql.py文件，在文件中定義各個(gè)應(yīng)用方法：如連接數(shù)據(jù)庫(kù)、關(guān)閉數(shù)據(jù)庫(kù)、數(shù)據(jù)表的紀(jì)錄插入、查詢數(shù)據(jù)的方法。

3.4 UI可視化界面設(shè)計(jì)及UI轉(zhuǎn)Py編程文件

首先，單擊File菜單——Settings，打開的對(duì)話框中單擊Tools——External Tools打開的界面中添加擴(kuò)展工具，主要是QT Designer和PyUIC，它們的主要功能是通過(guò)Qt Designer進(jìn)行圖形可視化設(shè)計(jì)[3]，采用pyUIC插件將可視化圖形界面轉(zhuǎn)換生成相應(yīng)的Python 文件，生產(chǎn)的Python文件需要移動(dòng)到項(xiàng)目的根目錄下， 可以在生成的Python文件中進(jìn)行代碼功能編寫。

采用NumPy、Pandas、Matplotlib模塊進(jìn)行計(jì)算、處理分析、可視化編程。

NumPy是Python處理數(shù)組和矢量運(yùn)算的庫(kù)， 是進(jìn)行高性能計(jì)算和數(shù)據(jù)分析的基礎(chǔ)，NumPy提供了對(duì)數(shù)組進(jìn)行快速運(yùn)算的標(biāo)準(zhǔn)數(shù)學(xué)函數(shù)。Pandas是Python的一個(gè)開源庫(kù)，為Python提供了高性能、簡(jiǎn)單易用的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)分析工具。Pandas提供了方便的類似表格統(tǒng)計(jì)操作和SQL操作等操作，使得數(shù)據(jù)處理工作更加便捷。Matplotlib是利用Python進(jìn)行數(shù)據(jù)分析的一個(gè)重要的可視化工具，繪制多種高質(zhì)量的2D、3D圖形。

在生成的Python文件中，我們主要完成了10個(gè)可視化界面的設(shè)計(jì)，以及13個(gè)Python文件的代碼編寫。完成本項(xiàng)目數(shù)據(jù)服務(wù)功能。

4 結(jié)束語(yǔ)

本文中的項(xiàng)目對(duì)網(wǎng)絡(luò)爬蟲技術(shù)、數(shù)據(jù)庫(kù)存儲(chǔ)技術(shù)、數(shù)據(jù)分析技術(shù)及可視化技術(shù)進(jìn)行了流程和實(shí)踐總結(jié)，從數(shù)據(jù)分析出發(fā)，依靠技術(shù)工具，以決策優(yōu)化和一定的數(shù)據(jù)服務(wù)為目的，洞察數(shù)據(jù)背后的規(guī)律，為商業(yè)創(chuàng)造更大的數(shù)據(jù)獲取、分析、可視化等一系列技術(shù)思路。