2019 年国庆马上就要到来
今年想着来点新花样吧 玩肯定是要去玩的 不然怎么给祖国庆生
那去哪里玩人少 big 还高呢？ 咱不是程序员嘛 那就用数据分析下 看看哪些地方值得去
一、目标
使用 Python 分析出国庆哪些旅游景点：好玩、便宜、人还少的地方，不然拍照都要抢着拍！
二、获取数据
既然做数据分析肯定要先搞到数据，最开始在一些官方网站查找旅游信息，毕竟官方的数据可信度高点， 但我一无所获，有点失望！
然后寻找其他替代方案：爬取出行网站的旅游景点售票数据，这样也可以反映出旅游景点的热度！
首先想到《去哪儿》，这里必须要安利一波去哪儿，同样的酒店同样的房间，去哪儿价格基本都是最低，所以也用的最多！
选好学习对象，那我就开始吧！
ps：本教程仅用作学习交流，如有侵害任何人权益，请联系原作者删除！
1.爬取单页数据
我们可以在哪去儿的门票页:http://piao.qunar.com/ticket/list.htm?keyword=）
搜索：国庆旅游景点，就可以看到推荐的景点的一些信息，如：名称、地区、热度、销量、价格、等级、地理信息等等，信息应该说是比较全，良心！
然后按下 F12 打开浏览器调试窗口，查找加载数据的url（翻页就可以看到）
竟然直接返回了 Json 数据，真是太方便了
最后使用 requests 库写一个 get 请求就可以了。
这样一页数据就抓取下来了，是不是很简单？
这里说下去哪儿门票页抓取数据还是很简单，不需要登录、不需要代理 、甚至不需要 header 也可以成功，后面批量抓取页没出现限制，相对于淘宝来说简单了许多！
2.提取有效信息
既然数据拿到了，那就看看数据结构，然后提取自己想要的属性吧
这里提取了：ID、名称、星级、评分、门票价格、销量、地区、坐标、简介这些信息，基本有效信息都保存起来！
3.保存到 Excel
需要的数据提取出来之后，我们就可以将他们保存起来。这里我们使用Pandas 库保存 Excel 文件。
没有安装 Panda s库的同学安装一下
pip install xlrd pip install openpyxl pip install numpy pip install pandas
这里单页数据的处理就完成了，爬取、解析、保存三步走～
4.批量爬取
批量爬取也很简单，先找分页数据，多点几下页数比较不同参数就能看出来
经过一会的分析，我们便可以看出参数 page 就是分页参数了，这样我们在外层写一个 for 循环，把页数传入就可以实现批量爬取。
那个 36 是我在网页上看到了，当然也可以实现自动判断是否爬取完成，只要判断每次返回的条数即可！
看看批量爬取的效果。
三 、分析数据
数据都下载完毕后，就要思考如何去利用分析这些数据了，简单做了几个分析：
- 景点门票销量排行分析
- 景点门票销售额排行分析
- 各省各等级景点数分析
- 景点销量热力图分析
- 推荐景点分析
我们使用的可视化库仍然是：pyecharts 库 ，更多维度分析等待你去思考～
1.景点门票销量排行分析
我们先来分析下景点门票销量排行
我们创建了一个透视表，然后根据销量排序！最后生成柱状图，一起来看看效果：
我们可以看到迪士尼门票销量排第一
2.景点销售额排行分析
销售额=单价*销量，我们可以将每行的 price 和 sale 相乘算出销售额。
我们将得到的销售额数据放回 df 中，然后再排序。
迪士尼真是吸金厉害！！！
3.各省各等级景点数分析
由于时间原因，该项分析暂未完成，本想分析下每个省每个等级的景点有多少个，但是由于时间原因暂未完成，感兴趣的同学可以下载源码自己试试 ，就当课后作业叭～
4.景点销量热力图分析
之前我们也做过很多热力图，都是用的pyecharts库，今天我们来点不一样 的，我们使用百度地图开放api（免费）做一个热力图，你首先要做的就是申请一个百度地图开放平台的应用，操作很简单。
如何申请可以 直接百度或者看看这篇文章：
https://jingyan.baidu.com/article/363872eccda8286e4aa16f4e.html
需要注意的是：在申请应用的时候类型一定要选浏览器
然后你就可以下载一个百度热力图的 demo 的 html，在 html 中把 ak码换成自己的。
换完 ak 码就要换 json 数据了，我们先生成和默认数据一样格式的json 数据，然后再替换掉。
最后来看看效果吧，动态地图支持放大缩小，可仔细查看各省、市、区景点热力图
5.推荐景点分析
应该推荐怎样的景点呢？认为应该是：高评分、销量少、价格便宜。
推荐系数和评分成正比，和销量、价格成反比，所以设计了一个最简单的算法：
瞎推荐系数=评分/(销量价格) * 1000
来看看这个简易的推荐算法得出的结果
可以看到在这个瞎推荐 TOP20 中国外景点很多，确实国内到国庆了哪里其实人都是挺多的！
如果你觉得我设计的推荐算法太 Low 了，可以自己思考下如何设计更合理，然后自己动手调试，期待看到不一样的结果！
