Python-ի վրա հիմնված Google որոնման վերլուծություն

Pytrends-ի տեղադրում

Նախքան այն օգտագործելը, մենք պետք է նախ տեղադրենք այս API-ն մեր համակարգչում:

pip install pytrends

Նշում. pytrends-ին անհրաժեշտ են Python 3.3+ և գրադարանների հարցումներ, lxml և pandas, ի թիվս այլոց:

Գրադարանների ներմուծում և միացում Google-ին

Պանդաները նախ պետք է ներմուծվեն տվյալների շրջանակ ստեղծելու համար: Գրադարանի pytrends.request-ից TrendReq ֆունկցիան պետք է ներմուծվի՝ Google-ին միանալու և Google-ի թրենդային թեմաները պահանջելու համար: Մենք կբեռնենք նաև matplotlib-ը՝ տվյալները պատկերացնելու համար:

import pandas as pd
import matplotlib.pyplot as plt
from pytrends.request import TrendReq

TrendReq-ից օբյեկտի ստեղծում:

pytrends = TrendReq(hl='en-US', tz=360)

hlներկայացնում է հոսթինգի լեզուն՝ Google Trends մուտք գործելու համար, մենք այն սահմանել ենք անգլերեն:

tz-ը ներկայացնում է ժամային գոտին, մենք օգտագործում ենք ԱՄՆ-ի ժամային գոտին (ներկայացված րոպեներով), որը 360 է:

Շենքի ծանրաբեռնվածություն

Google Trends-ի որոնումների համար տերմինների ցանկ ստեղծելու համար օգտագործեք build_payload ֆունկցիան pytrends-ից: Բացի այդ, դուք կարող եք սահմանել տվյալների հավաքագրման կատեգորիա և ժամկետը:

keyword_list = ["Data science"] # you can also add a list of keywords
pytrends.build_payload(keyword_list, cat=0, timeframe='today 12-m')

Այս դեպքում մենք միտումների որոնում կանենք «Տվյալներ գիտություն» տերմինի համար։ keyword_list-ում կարող են ավելացվել այնքան հիմնաբառեր, որքան ցանկանում եք: timeframe=’today 12-m’ պարամետրը տվյալներ կստանար այսօրվանից մինչև 12 ամիս առաջ:

Ամենօրյա որոնման միտումները

Այժմ նայենք գլոբալ ամենօրյա որոնման լավագույն միտումներին: Դրա համար կօգտագործվի trending_searches() ֆունկցիան: Պարզապես մուտքագրեք ոչ մի պարամետր, եթե ցանկանում եք որոնել ամբողջ աշխարհում:

# Google Trends data
df = pytrends.trending_searches(pn='nigeria')
df.head(10)

Համոզվեք, որ դուք մուտքագրում եք ազգի անունը փոքրատառերով, օրինակ՝ pn=“united_states”: Դուք կարող եք համեմատել վերը նշված արդյունքը Google Trend կայքի հետ, դուք կստանաք նույն արդյունքը:

Ի՞նչ խորհուրդներ ունեն հայտնի ընկերությունները ուսանողների և սկսնակ ձեռնարկությունների համար: Մենք խնդրեցինք նրանց. Ստենֆորդի, Google-ի և HuggingFace-ի թիմերի խորհուրդների համար Կարդացեք կամ դիտեք մեր ոլորտի հարցերն ու պատասխանները:

Տոկոսներն ըստ տարածաշրջանների

Եկեք նայենք աշխարհի ամենահաճախ օգտագործվող տարածաշրջանային տերմիններից մի քանիսին:

pytrends.build_payload(kw_list=["Data science"])
df = pytrends.interest_by_region()
df.sort_values(by=["Data science"], ascending=False)

Սա հեշտացնում է որոշել, թե արդյոք գտնվելու վայրի վրա հիմնված որոնման արտահայտությունները հայտնի են եղել տվյալ ժամանակահատվածում: Ես դասավորել եմ արժեքներն այստեղ՝ պարզության և պարզության համար:

Եկեք ստուգենք մեկ այլ տերմին «վեբ զարգացում:»:

pytrends.build_payload(kw_list=['Games'])
df = pytrends.interest_by_region()
df.head(10)

Արդյունքից 0 վերաբերում է քիչ տեղեկություններով տեղանքին, 50 վերաբերում է կիսով չափ տարածված տարածքներին և 100 վերաբերում է բարձր տեղանքին։ բոլոր որոնումների ժողովրդականության տոկոսը: Մենք սա կպատկերացնենք գծապատկերով ավելի լավ հասկանալու համար:

Պատմական ժամային հետաքրքրություն

Մենք կօգտագործենք get_historical_intereset() ֆունկցիան՝ մեր կողմից նշված ժամանակահատվածի ժամային տվյալներ առբերելու համար, որպեսզի ստանանք հիմնաբառի ժամային տոկոսադրույքը:

pytrends.get_historical_interest(keyword_list, year_start=2022, 
                                 month_start=5, day_start=1,
                                 hour_start=0, year_end=2022, 
                                 month_end=9, day_end=30,        hour_end=0, cat=0, sleep=0)

Վերևի կոդում մենք նշել ենք այն հիմնաբառերը, որոնք ցանկանում ենք որոնել, start_year սահմանվել է 2022, month_start՝ մայիսի, day_start՝ մայիսի 1, hour_start սահմանվել է 12:00, year_end՝ 2022, month_end: սահմանված է սեպտեմբերին, day_end-ը՝ սեպտեմբերի 30-ին, hour_end-ին՝ ժամը 12-ին, իսկ cat-ը հիմնաբառի կատեգորիան է:

Հետաքրքրությունը ժամանակի ընթացքում

Համաձայն build_payload ֆունկցիայի մեջ սահմանված ժամկետի, այս մեթոդը կվերադարձնի Google Trend-ից որոնված արտահայտության պատմական տվյալներ: Եթե ​​վերադառնաք այնտեղ, որտեղ մենք սահմանել ենք build_payload ֆունկցիան, կտեսնեք, որ մենք արդեն սահմանել ենք ժամանակացույցը 12 ամիս առաջից մինչև այսօր: Այնուհետև տվյալները կարող են վիզուալացվել՝ օգտագործելով գծային գրաֆիկը՝ լրացուցիչ տեղեկատվություն տրամադրելու համար:

pytrends = TrendReq(hl='en-US', tz=360)
pytrends.build_payload(kw_list=['Programming'])
pytrends = pytrends.interest_over_time()
fig, ax = plt.subplots(figsize=(10, 5))
pytrends['Programming'].plot()
plt.style.use('fivethirtyeight')
plt.title('Total Google Searches for Programming', fontweight='bold')
plt.xlabel('Year')
plt.ylabel('Total Count')
plt.show()

Լավագույն աղյուսակներ

Մենք կարող ենք ամեն տարի ստանալ ամենահայտնի որոնումները՝ օգտագործելով այս տեխնիկան: Այսպիսով, եկեք տեսնենք 2020 ամենահայտնի որոնման տերմինները:

# Get Top Charts
df = pytrends.top_charts(2020, hl='en-US', tz=300, geo='GLOBAL')
df.head()

Առնչվող հարցումներ

Օգտատերերին բնորոշ է որոնել նմանատիպ տերմիններ որոշակի թեմա փնտրելիս: Մենք դրանք անվանում ենք հարակից հարցումներ: Դիտարկենք «Blockchain» տերմինի հետ կապված որոշ հարցումներ: Ամեն անգամ, երբ փոխում եք թեմայի անունը, պարզապես գործարկեք կոդը նորից՝ որպես պարամետր նոր անունը:

pytrends.build_payload(kw_list=['Blockchain'])

related_queries = pytrends.related_queries()
related_queries.values()

Առնչվող հարցումներ, վերադարձրեք տվյալների շրջանակների բառարան:

Հիմնաբառերի առաջարկներ

Google Trends-ը կարող է ձեզ տրամադրել առաջարկվող հիմնաբառերի ցանկ, որոնք կապված են ձեր հիմնական հիմնաբառի հետ:

#Google Keyword Suggestions
keywords = pytrends.suggestions(keyword='Tesla')
df = pd.DataFrame(keywords)
df.drop(columns= 'mid')

Եզրակացություն

Սա հոդվածի վերջն է, հուսով եմ, որ դուք սովորել եք մեկ-երկու բան: Մենք կարողացանք խոսել Google-ի միտումների, ոչ պաշտոնական Google trends API-ի, որը կոչվում է pytrends և դրա օգտագործման մասին: Այնուհետև մենք խորացանք, թե ինչպես կարող եք այն տեղադրել pip-ի միջոցով՝ ներմուծելով գրադարանը ձեր զարգացման միջավայր և նաև միացնելով այն Google-ին:

Մենք ստեղծեցինք օգտակար բեռ pytrends գրադարանից և կարողացանք օգտագործել այն բազմաթիվ գործողությունների համար, ինչպիսիք են ամենօրյա որոնման միտումները, հետաքրքրությունները ըստ տարածաշրջանի, պատմական ժամային տոկոսները, ժամանակի ընթացքում հետաքրքրությունները, լավագույն գծապատկերները, հարակից հարցումներ և վերջապես հիմնաբառերի առաջարկներ: Եթե ​​ցանկանում եք ստուգել ավելի շատ մեթոդներ pytrend փաթեթից, դուք պետք է ստուգեք փաստաթղթավորումը կամ այս GitHub պահեստը:

Խմբագրի նշում. Heartbeat-ը ներդրողների վրա հիմնված առցանց հրատարակություն է և համայնք, որը նվիրված է տվյալների գիտության, մեքենայական ուսուցման և խորը ուսուցման մասնագետների համար առաջնակարգ կրթական ռեսուրսների տրամադրմանը: Մենք պարտավոր ենք աջակցել և ոգեշնչել ծրագրավորողներին և ինժեներներին կյանքի բոլոր ոլորտներից:

Խմբագրականորեն անկախ, Heartbeat-ը հովանավորվում և հրապարակվում է Comet MLOps հարթակի կողմից, որը տվյալների գիտնականներին և ML թիմերին հնարավորություն է տալիս հետևել, համեմատել, բացատրել և օպտիմալացնել իրենց փորձերը: Մենք վճարում ենք մեր ներդրողներին և գովազդ չենք վաճառում:

Եթե ցանկանում եք ներդրում ունենալ, անցեք մեր նպաստողների կոչին: Կարող եք նաև գրանցվել՝ ստանալու մեր շաբաթական տեղեկագիրը (Deep Learning Weekly), ստուգել Comet blog-ը, միանալ մեզ »«Slack-ում և հետևել Comet-ին Twitter-ում և LinkedIn-ում ռեսուրսների, իրադարձությունների համար: , և շատ ավելին, որը կօգնի ձեզ ավելի արագ կառուցել ավելի լավ ML մոդելներ: