爬取淘宝店铺商品销量，规格等参数及可视化

爬取淘宝某个店铺的商品信息，并根据商品销量，用商品图片做矩阵树图

“““
=======================================
Visualizing the stock market structure
=======================================

This example employs several unsupervised learning techniques to extract
the stock market structure from variations in historical quotes.

The quantity that we use is the daily variation in quote price: quotes
that are linked tend to cofluctuate during a day.

.. _stock_market:

Learning a graph structure
--------------------------

We use sparse inverse covariance estimation to find which quotes are
correlated conditionally on the others. Specifically sparse inverse
covariance gives us a graph that is a list of connection. For each
symbol the symbols that it is connected too are those useful to explain
its fluctuations.

Clustering
----------

We use clustering to group together quotes that behave similarly. Here
amongst the :ref:‘various clustering techniques ‘ available
in the scikit-learn we use :ref:‘affinity_propagation‘ as it does
not enforce equal-size clusters and it can choose automatically the
number of clusters from the data.

Note that this gives us a different indication than the graph as the
graph reflects conditional relations between variables while the
clustering reflects marginal properties: variables clustered together can
be considered as having a similar impact at the level of the full stock
market.

embedding in 2D space
---------------------

For visualization purposes we need to lay out the different symbols on a
2D canvas. For this we use :ref:‘manifold‘ techniques to retrieve 2D
embedding.


Visualization
-------------

The output of the 3 models are combined in a 2D graph where nodes
represents the stocks and edges the:

- cluster labels are used to define the color of the nodes
- the sparse covariance model is used to display the strength of the edges
- the 2D embedding is used to position the nodes in the plan

This example has a fair amount of visualization-related code as
visualization is crucial here to display the graph. One of the challenge
is to position the labels minimizing overlap. For this we use an
heuristic based on the direction of the nearest neighbor along each
axis.
“““
from __future__ import print_function

# Author: Gael Varoquaux gael.varoquaux@normalesup.org
# License: BSD 3 clause

import sys
from datetime import datetime

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.collections import LineCollection

import pandas as pd

from sklearn import cluster covariance manifold

print（__doc__）


# #############################################################################
# Retrieve the data from Internet

# The data is from 2003 - 2008. This is reasonably calm: （not too long ago so
# that we get high-tech firms and before the 2008 crash）. This kind of
# historical data can be obtained for from APIs like the quandl.com and
# alphavantage.co ones.
start_date = datetime（2003 1 1）.date（）
end_date = datetime（2008 1 1）.date（）

symbol_di

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       8508  2018-11-07 10:16  plot_stock_market.py

     文件       4427  2018-11-12 17:06  shop_item.py

----------- ---------  ---------- -----  ----

                12935                    2