美團商品 評論 標簽 數據分析可視化呈現

代碼倉庫：https://github.com/SKPrimin/PythonCrawler/tree/master/%E7%BE%8E%E5%9B%A2

需求分析

引言

當我們想點外賣的時候，往往不由自主的優先選擇外賣平台優先推薦的店鋪，但也因此時長踩坑。在進行看三個月的Python學習后，我們嘗試對外賣平台的數據進行下載解析，自己進行數據分析，並為以后的選擇提供參考

實現方式

首先是要獲取數據，訪問美團的網站並對頁面進行檢查調試，發現美團網站使用的是動態數據加載，數據加載時瀏覽器上方顯示的網址並為發生改變，且在實踐中發現第一頁沒有數據，到了第二頁才開始有數據，進行字典解析，並保存到文件中

接下來是對數據進行分析，使用numpy,pandas對文件數據進行讀取解析，並使用matlibplot進行可視化呈現。

商店海選

商店數據獲取

打開美團官網，發現網址並未隨着頁面變化而變化，經過仔細搜尋仍未發現json數據，感到第一頁數據是隨着頁面一起送達，直接融合在HTML文件中。於是打開第二頁尋找，果然發現了整齊划一的數據，並得到了數據請求網址。

在這個頁面中，有整齊的數據，

這些字典格式規整、數據完整，由列表與字典層層嵌套而成。數據格式如下

{code: "0", data: {totalCount: 150, template: "pcfood",…}}
code: "0"
    data: {totalCount: 150, template: "pcfood",…}

        cardExtension: {}
        extraInfoCinema: null
        recommendResult: []
        searchResult: [{id: 682214201, template: "pcfood",…}, {id: 2636210, template: "pcfood",…},…]
            0: {id: 682214201, template: "pcfood",…}
            ···
            areaname: "高新區"
            avgprice: 15
            avgscore: 3.6
            backCateName: "奶茶/果汁"
            id: 682214201
            imageUrl: "http://p0.meituan.net/w.h/biztone/b8df853928aacac04c8add55075cb030325791.jpg"
            latitude: 31.8328
            longitude: 117.1324
            lowestprice: 6.66
			···
            showType: "food"
            tag: []
            template: "pcfood"
            title: "茶百道（高新銀泰店）"

至此我們找到了解析的方式，使用requests發送請求獲取數據，之后使用字典列表對數據進行解析，處理過程中發現這就是大名鼎鼎的json

https://apimobile.meituan.com/group/v4/poi/pcsearch/56?uuid= &userid= &limit=32&offset=32&cateId=-1&q=%E5%A5%B6%E8%8C%B6&token= 在這個網址中，位於？之后的都是參數。可以放在param字典中待請求時自動處理

這里在編寫參數字典時可以使用我們學的正則表達式，(.*?):(.*)、'$1':'$2',直接實現替換，該方法能將冒號：兩邊的字符串都加上引號並在最后加上逗號

本程序的流程圖如下

源代碼如下

import csv
import requests


def requestData(q):
    url = 'https://apimobile.meituan.com/group/v4/poi/pcsearch/56?'
    # userid為自己的用戶名
    # limit為請求的數據條數  
    # offset 偏移量
    # q 為搜索項 
    param = {
        'uuid': '',
        'userid': '',
        'limit': '50',
        'offset': '50',
        'cateId': '-1',
        'q': q,
        'token': '',
    }
    # User-Agent:表示瀏覽器基本信息
    # Cookie: 用戶信息，檢測是否有登陸賬號
    # Referer: 防盜鏈，從哪里跳轉過來的請求url
    header = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36',
        'Cookie': '',
        'Referer': 'https://hf.meituan.com/',
    }
    try:
        # 將參數、表頭加載后發送請求
        response = requests.get(url=url, params=param, headers=header)
        # 反饋的數據進行json格式解析
        data_json = response.json()
        # pprint.pprint(datajson) # 標准格式打印 使用時需要import pprint
        return data_json
    except Exception as e:
        print("requests請求失敗" + str(e))


def parseData(data):
    """對得到的json數據進行解析"""
    # 根據此前對數據的分析結果，searchResult值 位於data字典中，是一個列表形式數據
    searchResult = data['data']['searchResult']
    with open("{}.csv".format(q), mode="a", encoding='utf-8', newline="") as f:
        csvpencil = csv.DictWriter(f, fieldnames=['店鋪名', '店鋪所在位置', '人均消費', '評分', '美食名稱', '店鋪圖片鏈接',
                                                  '緯度', '經度', '最低價格', '店鋪ID', '店鋪詳情頁'])
        csvpencil.writeheader()  # 寫入表頭
        try:
            # 對searchResult列表進行索引解析，其內容是以字典形式存放，我們提取時也以字典存儲
            for item in searchResult:
                data_dict = {
                    '店鋪名': item['title'],
                    '店鋪所在位置': item['areaname'],
                    '人均消費': item['avgprice'],
                    '評分': item['avgscore'],
                    '美食名稱': item['backCateName'],
                    '店鋪圖片鏈接': item['imageUrl'],
                    '緯度': item['latitude'],
                    '經度': item['longitude'],
                    '最低價格': item['lowestprice'],
                    '店鋪ID': item['id'],
                    '店鋪詳情頁': f'https://www.meituan.com/meishi/{item["id"]}/'
                }
                csvpencil.writerow(data_dict)
        except Exception as e:
            print("數據解析失敗" + str(e))


if __name__ == '__main__':
    q = "奶茶"
    parseData(requestData(q))

我們獲得了288條數據數據，接下來是對數據進行分析

商店數據分析

相關模塊導入

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

plt.rcParams['font.family'] = ['STFangsong']  # 指定默認字體 仿宋

文件數據讀入

使用pandas讀取信息並按列分開

df = pd.read_csv('奶茶.csv')
df.columns = ['店鋪名', '店鋪所在位置', '人均消費', '評分', '美食名稱', '店鋪圖片鏈接',
              '緯度', '經度', '最低價格', '店鋪ID', '店鋪詳情頁']
print(df.shape[0]) #288

數據去重

Pandas提供了去重函數：drop_duplicates()

subset：默認為None去除重復項時要考慮的標簽，當subset=None時所有標簽都相同才認為是重復項；

keep：有三個可選參數，分別是 first、last、False，默認為 first，表示只保留第一次出現的重復項；

inplace：布爾值參數，默認為 False 表示刪除重復項后返回一個副本，若為 Ture 則表示直接在原數據上刪除重復項。

df.drop_duplicates(subset=None, keep='first', inplace=True)
print(df.shape[0]) #284

價格與評分線性回歸分析圖

通過畫出人均價格與評分之間的關系，我們可以清楚的觀察到是否越貴的東西越好,同時也可以引入最低價格，從另一個方面觀察它們之間的關系

線性回歸分析圖我們發現價格8-12的評分集中於高點，其它價格評分比較分散，線性方程計算而出的結果也顯示價格高的奶茶評分較高；
而最低價格與評分關系並不大，線性方程也表明兩者幾乎無關。

import seaborn as sns

# make data
fig, axes = plt.subplots(2, 1, figsize=(12, 12))
sns.regplot(x='人均消費', y='評分', data=df, color='red', marker='+', ax=axes[0])
sns.regplot(x='最低價格', y='評分', data=df, color='green', marker='*', ax=axes[1])
plt.show()

品牌統計

品牌可以從商店名中截取出來，使用集合、列表分別存儲，成為之后的鍵值對。我們計算出各品牌出現次數並從高到低排序，再使用柱狀圖可視化呈現

列表轉字典函數

以集合的形式輸入鍵，通過對傳入的列表統計計算出值

def countDict(aSet: set, aList: list, minValue=0) -> dict:
    # 列表轉為字典，統計出aSet中每個元素出現的次數
    aDict = {}
    for item in aSet:
        counter = aList.count(item)
        if counter >= minValue:  #去除僅出現一次的品牌，極有可能是商家打錯了
            aDict[item] = aList.count(item)

    return aDict

# 傳入數據
shopNames = df['店鋪名']
# 品牌列表，將截取出的品牌名存入列表
brandList = []
# 品牌名使用集合存儲，利用集合元素唯一性自動實現去重
brandSet = set()

for shopName in shopNames:
    # 店鋪名一般是 “品牌（地址）” 的形式，通過中文符號'（'來截取出品牌
    index = shopName.find('（')  # 返回（的位置，未找到返回-1'
    # 三元表達式 ，如果沒有（）就直接原樣返回
    brand = shopName[:index] if index != -1 else shopName
    brandSet.add(brand)
    brandList.append(brand)

brandDict = countDict(brandSet, brandList, 2)

# 將字典按照元素值進行逆序排序
brandDict = dict(sorted(brandDict.items(), key=lambda i: i[1], reverse=True))

# make data:
x = brandDict.keys()
y = brandDict.values()

# plot
fig = plt.subplots(figsize=(18, 9))
colors = ['tomato', 'aqua', 'bisque', 'lightgreen', 'skyblue']
plt.bar(x, y, width=0.5, color=colors, edgecolor="white", linewidth=0.7)
plt.xlabel('品牌名稱')
plt.ylabel('品牌出現次數')
plt.show()

# 精簡數據，僅采用出現三次以上的數據
brandDict = countDict(brandSet, brandList, 3)
# Pie chart, where the slices will be ordered and plotted counter-clockwise:
labels = brandDict.keys()
sizes = brandDict.values()
# only "explode" the 4nd slice (i.e. 'Hogs')
explode = [0 for _ in range(len(sizes))]
explode[3] = 0.1
colors = ['tomato', 'aqua', 'bisque', 'lightgreen', 'skyblue']
fig1, ax1 = plt.subplots()
ax1.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%', colors=colors,
        shadow=True, startangle=0)
ax1.axis('equal')  # Equal aspect ratio ensures that pie is drawn as a circle.
plt.show()

地點統計

店鋪名稱中通常含有地址，正事中文括號中的部分，我們同樣可以通過字符串截取出地址，但由於個別商店格式並非如此，可能會出現未填地址的情況，則會直接跳過

# 傳入數據
shopNames = df['店鋪名']
# 品牌列表，將截取出的品牌名存入列表
placeList = []
# 品牌名使用集合存儲，利用集合元素唯一性自動實現去重
placeSet = set()

for shopName in shopNames:
    # 店鋪名一般是 “品牌（地址）” 的形式，通過中文符號'（'來截取出品牌
    index = shopName.find('（')  # 返回（的位置，未找到返回-1'
    if index != -1:
        place = shopName[index + 1:-1]
        placeSet.add(place)
        placeList.append(place)

placeDict = countDict(placeSet, placeList, 2)

# 將字典按照元素值進行逆序排序
placeDict = dict(sorted(placeDict.items(), key=lambda i: i[1], reverse=False))
placeData = pd.DataFrame({'地點': [x for x in placeDict.keys()],
                          '出現次數': [x for x in placeDict.values()]})

# make data: 豎行柱狀圖
x = placeData['地點']
y = placeData['出現次數']

# plot
fig = plt.subplots(figsize=(18, 9))
colors = ['tomato', 'aqua', 'bisque', 'lightgreen', 'skyblue']
plt.barh(x, y, color=colors, edgecolor="white", linewidth=0.7)
plt.xlabel('地點')
plt.ylabel('地點出現次數')
plt.show()

店鋪位置模擬

我們獲取了近300家店鋪的經緯度信息，雖然我們暫時無法直接定位到地圖上，但我們可以畫出經緯度散點圖，來大致推斷出哪里奶茶店較多。
合肥所在地區的緯度大約為北緯32°，不同緯度間距相同都是1緯度約110.94，北緯32°處的緯度周長為40075×sin(90-32)，因此此處的1緯度約為94.40
經緯度比例為1.1752。通過計算得出，在畫布長寬都代表1.2°時畫布設置為20×17時比例1.1764較為接近，誤差僅有1.08%
在將我們所在位置帶入散點圖，即可發現奶茶店大多在我們的東方、北方，這與城市發展狀況也較為符合

# make the data
# 獲取經緯度信息
longitude = df['經度']
latitude = df['緯度']
# size and color:
sizes = np.random.uniform(15, 80, len(longitude))
colors = np.random.uniform(15, 80, len(latitude))

# plot
fig, ax = plt.subplots(figsize=(20, 17))

ax.scatter(x=longitude, y=latitude, s=sizes, c=colors, vmin=0, vmax=100)

ax.set(xlim=(116.9, 118.1), xticks=np.arange(116.9, 118.1, 0.1),
       ylim=(31.2, 32.4), yticks=np.arange(31.2, 32.4, 0.1))
# 是否顯示網格，默認不顯示
ax.grid(True)
ax.set_xlabel("東經116.9——118.1")
ax.set_ylabel("北緯31.2——32.4")
plt.show()

商店決賽

經過海選，再結合地理位置，最終選出古茗（蜀山安大店）、滬上阿姨鮮果茶（安大磬苑校區店）、書亦燒仙草（簋街大學城店）、茶百道（大學城店）四家店鋪進行詳細的評論分析

后期在實踐中發現第二個店鋪始終無法獲取數據，最終發現是這家真的沒有評論數據，而第四家也着實沒有tags

評論獲取

經過查找，我們同樣找到了數據請求鏈接，也返現了返回的字典嵌套列表嵌套字典的數據層級，同時我們發現其會返回評論數量，這樣我們可以先進行第一次查詢，
接着根據返回的total值進行循環，一頁10個數據

{status: 0, data: {,…}}
    data: {,…}
        comments: [{userName: "", userUrl: "", avgPrice: 12, comment: "無語住了，就這水平還說，跑來一趟容易嗎",…},…]
            0: {userName: "", userUrl: "", avgPrice: 12, comment: "無語住了，就這水平還說，跑來一趟容易嗎",…}
            1: {userName: "UhH816306504", userUrl: "", avgPrice: 12,…}
                comment: "此次用餐總體來說不錯，覺得比較認可的地方有：性價比、口味、環境、服務、團購接待。"
                menu: "黃金珍珠奶茶1杯"
                star: 50
                ···
            ···
    tags: [{count: 35, tag: "味道贊"}, {count: 32, tag: "環境很好"}, {count: 31, tag: "飲品贊"}, {count: 27, tag: "服務熱情"},…]
        0: {count: 35, tag: "味道贊"}
        1: {count: 32, tag: "環境很好"}
        ···
    total: 471
    status: 0

代碼實現

import pprint
import time
import requests
import csv


def requestCommentTags(id, page):
    url = 'https://www.meituan.com/meishi/api/poi/getMerchantComment?'
    # userid為自己的用戶名
    # limit 為一次請求數據，一次10條
    # offset為偏移量，類似於頁數
    # id 為店鋪id
    param = {
        'uuid': 'f79f1498663140408d8d.1638116128.1.0.0',
        'platform': '1',
        'partner': '126',
        'originUrl': f'https://www.meituan.com/meishi/{id}/',
        'riskLevel': '1',
        'optimusCode': '10',
        'id': id,
        'userId': '2726751799',
        'offset': page * 10,
        'pageSize': '10',
        'sortType': '1',
    }
    # User-Agent:表示瀏覽器基本信息
    # Cookie: 用戶信息，檢測是否有登陸賬號
    # Referer: 防盜鏈，從哪里跳轉過來的請求url，相當於定位地址
    header = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36',
        'Cookie': '',
        'Referer': f'https://www.meituan.com/meishi/{id}/',
    }
    try:
        # 將參數、表頭加載后發送請求
        response = requests.get(url=url, params=param, headers=header)
        # 反饋的數據進行json格式解析
        data_json = response.json()
        pprint.pprint(data_json)  # 標准格式打印 使用時需要import pprint
        return data_json
    except Exception as e:
        print("requests請求失敗" + str(e))


def parseComment(data):
    """對得到的json數據進行解析，選出評論"""
    try:
        # 根據此前對數據的分析結果，searchResult值 位於data字典中，是一個列表形式數據
        comments = data['data']['comments']
        # 對searchResult列表進行索引解析，其內容是以字典形式存放，我們提取時也以字典存儲
        for item in comments:
            comments_dict = {
                '評論內容': item['comment'],
                '購買商品': item['menu'],
                '星級': item['star'],
            }
            # 逐行立刻寫入數據，以防出錯導致的前功盡棄，同樣是依照字典進行
            commentpencil.writerow(comments_dict)
        total = data['data']['total']
        return total
    except Exception as e:
        print("評論數據解析失敗" + str(e))


def parseTags(data, shopName):
    """對得到的json數據進行解析，選出評論"""
    try:
        tags = data['data']['tags']
        for tag in tags:
            tags_dict = {
                '店鋪': shopName,
                '標簽': tag['tag'],
                '數量': tag['count']
            }
            tagpencil.writerow(tags_dict)

    except Exception as e:
        print("標簽數據解析失敗" + str(e))


if __name__ == '__main__':
    shops = {1088411800: '古茗（蜀山安大店）', 1479103527: '書亦燒仙草（簋街大學城店）', 1616840469: '茶百道（大學城店）'}
    for shopId in shops.keys():
        shopName = shops[shopId]
        with open("{}.csv".format(shopName), mode="a", encoding='utf-8', newline="") as f, open("商店標簽信息.csv", mode="a",
                                                                                                encoding='utf-8',
                                                                                                newline="") as tf:
            commentpencil = csv.DictWriter(f, fieldnames=['評論內容', '購買商品', '星級'])
            commentpencil.writeheader()  # 寫入表頭
            tagpencil = csv.DictWriter(tf, fieldnames=['店鋪', '標簽', '數量'])
            tagpencil.writeheader()  # 寫入表頭

            # 進行第一頁獲取
            jsdata = requestCommentTags(id=shopId, page=0)
            # 得到總評論數
            total = parseComment(jsdata)
            # 解析其tags，一家店鋪僅需一次
            parseTags(jsdata, shopName)

            pages = int(total / 10)
            # 進行其他頁數獲取
            for i in range(1, pages):
                # 暫停三秒，模擬人瀏覽頁面正常翻頁
                time.sleep(3)
                parseComment(requestCommentTags(id=shopId, page=i))

數據截圖

評論數據分析

已經獲取了三家店鋪的評論數據，其中兩家又獲取了標簽，根據大家的評論進行更詳細的數據分析,第一步要做的依然是進行導包

import pandas as pd
import matplotlib.pyplot as plt
import wordcloud

plt.rcParams['font.family'] = ['STFangsong']  # 指定默認字體 仿宋

評論標簽分析

根據兩家店鋪評論標簽的數量進行分析

# 數據讀取
df = pd.read_csv('商店標簽信息.csv')
df.columns = ['店鋪', '標簽', '數量']

# 數據分離，將兩家店鋪信息拆開，並繪制餅狀圖
guming = df[df["店鋪"] == '古茗（蜀山安大店）']
shuyi = df[df["店鋪"] == '書亦燒仙草（簋街大學城店）']

# Pie chart, where the slices will be ordered and plotted counter-clockwise:
guminglabels = guming['標簽']
gumingsizes = guming['數量']
shuyilabels = shuyi['標簽']
shuyisizes = shuyi['數量']
colors = ['tomato', 'aqua', 'bisque', 'lightgreen', 'skyblue']

fig, axes = plt.subplots(1, 2, figsize=(12, 6))
axes[0].pie(gumingsizes, colors=colors, labels=guminglabels, autopct='%1.1f%%',
            shadow=True, startangle=90)
axes[0].set_title('古茗（蜀山安大店）')
axes[1].pie(shuyisizes, colors=colors, labels=shuyilabels, autopct='%1.1f%%',
            shadow=True, startangle=90)
axes[1].set_title('書亦燒仙草（簋街大學城店）')
fig.suptitle("店鋪評論中標簽數量占比")
plt.show()

將兩家店鋪放入同一個折線圖中，需要將兩個標簽合並，選出其中相同的部分，其次由於評論數差異較大，本次使用不同y坐標軸

# 將兩個標簽轉成集合形式再進取並集
labelset = set(guminglabels) & set(shuyilabels)
# 再轉為列表從而實現有序，能夠迭代
xlabel = list(labelset)
gmlabel = []
sylabel = []
for label in xlabel:
    x = guming[guming["標簽"] == label]
    x = list(x['數量'])
    gmlabel.append(x[0])
    x = shuyi[shuyi["標簽"] == label]
    x = list(x['數量'])
    sylabel.append(x[0])

# 根據求出的三個列表畫出分y軸的折線圖
from mpl_toolkits.axes_grid1 import host_subplot

host = host_subplot(111)
par = host.twinx()

host.set_xlabel("標簽")
host.set_ylabel("古茗（蜀山安大店）")
par.set_ylabel("書亦燒仙草（簋街大學城店）")

p1, = host.plot(xlabel, gmlabel, label="古茗（蜀山安大店）")
p2, = par.plot(xlabel, sylabel, label="書亦燒仙草（簋街大學城店）")

leg = plt.legend()

host.yaxis.get_label().set_color(p1.get_color())
leg.texts[0].set_color(p1.get_color())

par.yaxis.get_label().set_color(p2.get_color())
leg.texts[1].set_color(p2.get_color())

plt.show()
#### 評論內容分析

詞雲圖

# 讀取三個評論數據文件
gmdf = pd.read_csv('古茗（蜀山安大店）.csv')
gmdf.columns = ['評論內容','購買商品','星級']

sydf = pd.read_csv('書亦燒仙草（簋街大學城店）.csv')
sydf.columns = ['評論內容','購買商品','星級']

cbddf = pd.read_csv('茶百道（大學城店）.csv')
cbddf.columns = ['評論內容','購買商品','星級']

import jieba

def makewordscloud(df,name):
    words = []
    stopwords = ['可以','非常','哈哈哈','真的']
    for i,comment in enumerate(df['評論內容']):
        if pd.isnull(df.at[i,'評論內容'])==False:
            comment.replace("\n",'')
            wordlist = jieba.cut(comment)
            for word in wordlist:
                if len(word)>1 and word not in stopwords:
                    words.append(word)

    font = r'C:\Windows\Fonts\simfang.ttf'
    w = wordcloud.WordCloud(
        font_path=font,
        background_color='white',
        width=3840,
        height=2160,
    )
    w.generate(' '.join(words))
    w.to_file(f'{name}.png')

# 三個店鋪的詞雲圖
# makewordscloud(gmdf,'古茗詞雲圖')
makewordscloud(sydf,'書亦燒仙草詞雲圖')
#makewordscloud(cbddf,'茶百道詞雲圖')

• 茶百道詞雲圖

  • 

• 古茗詞雲圖

  • 

• 書亦燒仙草詞雲圖

  • 

評分分布

由於茶百道數據過少，只有十幾條，我們接下來只使用 書亦燒仙草、古茗 兩份數據

列表轉字典函數

以集合的形式輸入鍵，通過對傳入的列表統計計算出值，與上文中相同

def countDict(aSet: set, aList: list, minValue=0) -> dict:
    # 列表轉為字典，統計出aSet中每個元素出現的次數
    aDict = {}
    for item in aSet:
        counter = aList.count(item)
        if counter >= minValue:  #去除僅出現一次的品牌，極有可能是商家打錯了
            aDict[item] = aList.count(item)

    return aDict

DataFrame轉字典函數

先生成列表，再借用列表轉字典函數

import math

def dfToDict(df,minValue=2):
    # 傳入數據
    milkTeaNames = df['購買商品']
    # 品牌列表，將截取出的品牌名存入列表
    milkTeaList = []
    # 品牌名使用集合存儲，利用集合元素唯一性自動實現去重
    milkTeaSet = set()

    for milkTeaName in milkTeaNames:
        milkTeaSet.add(milkTeaName)
        milkTeaList.append(milkTeaName)

    milkTeaDict = countDict(milkTeaSet, milkTeaList, minValue)

    # 將字典按照元素值進行逆序排序
    milkTeaDict = dict(sorted(milkTeaDict.items(), key=lambda i: i[1], reverse=True))
    return milkTeaDict

# make data:
gmDict = dfToDict(gmdf)
x1 = gmDict.keys()
y1 = gmDict.values()

syDict = dfToDict(sydf,8)

x2 = syDict.keys()
y2 = syDict.values()



# plot
fig,axes= plt.subplots(1,2,figsize=(18, 9))
colors = ['tomato', 'aqua', 'bisque', 'lightgreen', 'skyblue']
axes[0].bar(x1, y1, width=0.3, color=colors, edgecolor="white", linewidth=0.5)

axes[1].bar(x2, y2, width=0.3, color=colors, edgecolor="white", linewidth=0.4)
plt.xticks(rotation=90)
plt.xlabel('奶茶名稱')
plt.ylabel('奶茶出現次數')
plt.show()