简介这份资源面向希望入门数据分析实战的初学者与旅游行业从业者以去哪儿网国庆景点数据为样本完整演示从数据清洗到可视化呈现的分析流程帮助读者掌握用Python处理真实业务数据的思路与方法。压缩包共7个文件约79KB包含5个html可视化页面、1个xlsx原始数据表和1个py分析脚本分别对应图表成果展示、数据源存储与预处理分析代码结构紧凑、开箱即用。目前已有1387人学习下载。读者可从中获得各省份景点分布热力图、门票销售额TOP20柱状图、景区星级比例饼图等多类图表的实现参考以及基于Pandas、NumPy、Matplotlib的数据清洗与时间序列分析脚本便于对照复现热门景点排行与业务洞察快速积累一份可写入简历的完整分析案例。1. 从一份“景点评论表”说起这套分析方案到底解决什么问题手里拿到一份旅游景点的评论数据字段大概就是景点名称、评分、评论内容、评论时间、所在城市这么几列很多人第一反应是画个评分分布直方图、算个平均分就交差了。但真正做过完整项目的人都知道这种交付物在答辩现场撑不过三个追问哪个景点被高估了差评集中在什么问题上旺季和淡季的口碑差异有多大这套旅游景点数据分析方案就是围绕这三个问题搭起来的目标读者是正在做数据分析毕设、课设或者要给业务方交一份景点口碑分析报告的人。它不追求模型多花哨重点在于把“数据清洗—指标设计—多维分析—结论输出”这条链路走完整让每一张图都能回答一个具体问题。2. 需求拆解与数据准备先把问题定义清楚再动手2.1 三类核心问题与对应指标动手写代码之前我一般会先把模糊的“分析一下景点”翻译成可计算的指标。这个项目里需求最终收敛成三组问题每组对应一组指标业务问题对应指标计算口径哪些景点口碑好但热度低值得推荐平均评分、评论量、评分中位数按景点分组聚合剔除评论数少于阈值的样本差评到底在骂什么差评率、差评关键词频次评分≤2 视为差评对评论文本分词后统计高频词口碑有没有季节性月度平均评分、月度评论量按评论时间提取年月后分组这里有个容易被忽略的点平均评分和评分中位数要一起看。有些景点平均分被少量五星评论拉高中位数却明显偏低这种“虚高”恰恰是分析报告里最有价值的发现。评论数阈值通常设成 30 条低于这个数的景点统计意义太弱直接进结论会翻车。2.2 数据清洗的四个固定动作原始评论数据几乎没有拿来就能用的我一般固定做四件事顺序不能乱import pandas as pd import re df pd.read_csv(scenic_comments.csv) # 1. 字段类型规整评分转数值时间转 datetime无法转换的置空 df[score] pd.to_numeric(df[score], errorscoerce) df[comment_time] pd.to_datetime(df[comment_time], errorscoerce) # 2. 去重同一用户对同一景点同一时间的重复评论只保留一条 df df.drop_duplicates(subset[scenic_name, user_id, comment_time]) # 3. 缺失处理评分或景点名缺失的记录直接丢弃评论内容缺失保留但标记 df df.dropna(subset[scenic_name, score]) df[content_missing] df[content].isna() # 4. 异常值过滤评分限定在 1-5时间限定在合理区间 df df[(df[score] 1) (df[score] 5)] df df[df[comment_time].dt.year.between(2018, 2025)]这段代码的关键不在语法而在每一步的判断依据。去重用的三个字段组合是因为同一用户可能在不同时间对同一景点多次评论那是真实行为不能删缺失处理里评论内容缺失不直接丢行是因为评分本身仍有分析价值只是文本分析时要单独排除时间区间过滤是为了剔除明显录入错误的年份比如 1900 年这种脏数据。参数上评分范围和时间范围要按实际数据分布调整不要照抄。2.3 文本字段的预处理评论内容是这套分析里信息密度最高的字段但也是最脏的。预处理分三步去掉表情符号和特殊字符、按标点切分短句、过滤掉“的、了、很、非常”这类无信息量的词。中文分词通常用 jieba停用词表用通用表加一份旅游领域补充词比如“景点”“门票”“排队”这类词在差评分析里要保留在主题聚类里可能要降权。这一步做完才能进入后面的关键词统计。3. 分析模块设计从描述统计到文本挖掘的四层结构3.1 第一层景点维度的描述统计这一层解决“整体长什么样”。按景点分组算出评论量、平均分、中位数、标准差、差评率输出一张景点画像表。标准差这个指标很多人不加但它能区分“口碑稳定”和“褒贬不一”——两个景点平均分都是 4.0一个标准差 0.3一个标准差 1.2后者说明体验波动大对游客的决策参考价值完全不同。summary df.groupby(scenic_name).agg( comment_count(score, size), avg_score(score, mean), median_score(score, median), std_score(score, std), bad_rate(score, lambda s: (s 2).mean()) ).reset_index() # 只保留样本量足够的景点避免小样本误导 summary summary[summary[comment_count] 30] summary summary.sort_values(avg_score, ascendingFalse)聚合之后按平均分排序只是第一步真正有用的是把“平均分高但评论量低”和“平均分中等但评论量高”的景点分开看前者是潜力推荐位后者是流量担当但口碑有隐患。这个交叉判断通常用散点图呈现横轴评论量、纵轴平均分一眼就能分出四个象限。3.2 第二层时间维度的趋势分析时间维度要回答的是“什么时候去体验最好、什么时候差评最多”。做法是按年月分组算月度平均分和月度评论量两条曲线叠在一张图上。这里有个细节评论量和评分往往负相关——旺季人多评论量涨平均分反而跌。这个规律如果数据里存在就是报告里很扎实的一个结论如果不存在也要如实写出来不能为了故事性硬编。df[year_month] df[comment_time].dt.to_period(M) monthly df.groupby(year_month).agg( avg_score(score, mean), comment_count(score, size) ).reset_index() monthly[year_month] monthly[year_month].astype(str)参数上按月分组在数据量小时会显得稀疏可以退到按季度数据量大时按周也可以。判断标准是每个时间桶里至少有 20 条评论否则曲线抖动全是噪声。3.3 第三层差评文本的关键词挖掘差评分析是这套方案的重头戏。做法是把评分≤2 的评论单独抽出来分词后统计词频取前 20 个高频词做词云或条形图。但只做词频是不够的因为“排队”“门票”“厕所”这些词本身不带情感要结合上下文才能判断是抱怨还是陈述。我一般的处理是先按词频筛出候选词再人工过一遍把明显中性的词剔掉剩下的才是真正的“痛点词”。import jieba from collections import Counter bad_comments df[df[score] 2][content].dropna() words [] for text in bad_comments: words.extend([w for w in jieba.cut(text) if len(w) 2]) # 停用词表需自行维护这里只做示意 stopwords {景点, 感觉, 真的, 一个, 没有} counter Counter([w for w in words if w not in stopwords]) top_words counter.most_common(20)这段代码里len(w) 2是过滤单字噪声停用词表要按实际语料补充。词频统计完之后通常还会做一步共现分析——比如“排队”和“门票”经常一起出现说明问题出在购票环节的排队而不是景区内的游览排队这个区分对提改进建议很关键。3.4 第四层结论输出与可视化组织分析结果最终要落到一份能读的报告上。我的习惯是每张图配一句结论图是证据结论是观点两者缺一不可。可视化工具用 matplotlib 或 pyecharts 都行关键是图的形式要匹配问题分布用直方图、对比用条形图、趋势用折线图、象限判断用散点图。不要为了好看堆一堆花哨图表答辩时老师问“这张图说明什么”答不上来比图丑更致命。4. 实现细节与工程组织让分析脚本能复跑、能改4.1 目录结构与模块划分一个人写分析脚本容易写成一个大文件从头跑到尾但这份方案是要交付的结构得立住。我一般按下面这样分project/ ├── data/ │ ├── raw/ # 原始数据只读不改 │ └── processed/ # 清洗后的中间数据 ├── src/ │ ├── clean.py # 清洗逻辑 │ ├── analyze.py # 统计与文本分析 │ └── visualize.py # 图表生成 ├── output/ │ ├── figures/ # 图表 │ └── report.md # 结论汇总 └── requirements.txt这样分的好处是清洗逻辑和展示逻辑解耦数据换了只需要重跑 clean.py图表样式要调只动 visualize.py。requirements.txt 里锁定 pandas、jieba、matplotlib 的版本避免换台机器跑不起来——这是很多人答辩前夜踩的坑。4.2 关键参数的外置管理分析里有一堆阈值评论数下限、差评分数线、时间范围、高频词数量。这些不要硬编码在函数里统一放到一个配置字典或 config 文件里CONFIG { min_comment_count: 30, # 景点最少评论数 bad_score_threshold: 2, # 差评分数线 year_range: (2018, 2025), top_word_num: 20 }外置之后答辩时老师问“如果把差评标准改成 3 分结果会怎样”你改一个数字重跑就行不用翻代码找地方。这个习惯看着小实际是工程素养的体现。4.3 结果的可复现性保障可复现的意思是同样的原始数据任何人跑一遍都得到同样的图和同样的数字。要做到这点除了固定随机种子如果用了聚类或采样还要保证分组聚合的排序稳定、时间解析不依赖本地时区。文本分析里如果用了词向量或主题模型随机性更强通常会在报告里注明“结果受随机种子影响趋势一致但具体数值可能有小幅波动”这句话写上去反而显得专业。5. 避坑与常见问题这几处翻车点我基本每次都遇到5.1 平均分被小样本拉偏现象某个只有 5 条评论的景点平均分 5.0排到了推荐榜第一。原因是没有设评论数下限小样本的统计波动被当成了真实信号。解决办法就是前面说的阈值过滤评论数低于 30 的景点单独列一张“样本不足”表不参与排名但保留展示。5.2 时间字段解析失败导致趋势图断裂现象月度趋势图中间缺了几个月或者所有数据挤在一个点上。原因通常是原始时间格式不统一有的是“2023-05-01”有的是“2023/5/1”pd.to_datetime默认解析不了混合格式。解决办法是显式指定formatmixed或先做格式归一化解析失败的行单独统计数量数量大就说明数据源有问题得回头找数据提供方确认。5.3 差评关键词全是中性词现象词频前二十里一半是“门票”“景区”“时间”这种词看不出痛点。原因是没做停用词和词性过滤名词性中性词占了主导。解决办法是结合词性标注只保留形容词和动词性词汇或者用 TF-IDF 而不是纯词频把在各景点评论里都高频出现的通用词权重压下去。5.4 图表结论和数字对不上现象报告里写“A 景点口碑最好”但表格里 B 景点的平均分更高。原因多半是排名用了过滤前的数据结论引用的是过滤后的数据两套口径混用。解决办法是所有结论只从同一张最终汇总表里取数图表和文字引用同一个变量不要手抄数字。5.5 中文乱码现象图表里的中文全变成方框。原因是 matplotlib 默认字体不支持中文。解决办法是在 visualize.py 开头统一设置plt.rcParams[font.sans-serif] [SimHei]并关闭负号显示问题这一行漏了前面分析做得再好图一出来就露怯。6. 验收与答辩怎么证明这套分析是站得住的验收这套方案我一般按“数据—指标—结论—建议”四层逐层过。第一层看数据原始数据多少条、清洗后剩多少条、丢弃比例是多少、丢弃原因分布如何这几个数字要能一口报出来说明你对数据有掌控。第二层看指标每个指标的计算口径能不能用一句话说清比如“差评率是评分≤2 的评论占该景点总评论数的比例”口径含糊的指标直接砍掉。第三层看结论每条结论背后有没有对应的图表支撑结论和图表数字是否一致这一层最容易出问题建议做一张“结论—图表—数据来源”的对照表自查。第四层看建议分析得出的痛点有没有落到可执行的改进方向上比如差评集中在排队建议就写分流或预约制而不是泛泛说“提升服务质量”。答辩现场有几个高频追问提前准备好答案能省很多事。一是“为什么用平均分不用中位数”答两者都看、中位数抗极端值、平均分反映整体感受组合使用。二是“差评阈值为什么是 2 不是 3”答按数据分布定的可以现场演示改成 3 之后差评率的变化趋势是否一致一致说明结论稳健。三是“文本分析为什么不用深度学习模型”答这个数据量和分析目标下词频加人工校验的性价比最高模型复杂度要匹配问题复杂度硬上模型反而不好解释。这三问答顺了基本就稳了。还有一个具体技巧答辩前把整个流程从原始数据到最终图表完整跑一遍掐表记录耗时确保演示时不会卡在环境问题上。我吃过一次亏现场网络不通装不了依赖最后靠提前导出的中间结果救场。从那以后我每次交付分析项目都会把清洗后的数据和关键图表提前导出到本地演示只读本地文件不依赖现场环境。希望这套结构能帮到你把手里那份景点数据真正讲出一个有依据的故事。本文还有配套的精品资源点击获取