简介：这份资源围绕2022年4月至5月小红书服饰行业数据，提供一套完整的Python数据分析项目，适合数据分析初学者、计算机专业学生及毕业设计选题者。压缩包共9个文件，包含2个Jupyter Notebook源码、6个Excel数据表和1个交互式HTML可视化文件，总计仅636KB，便于快速下载与运行。项目覆盖行业笔记趋势、内容关键词TOP100、品类占比、年龄与地域分布、评论热词等多个维度，从数据清洗、统计分析到可视化展现均有清晰代码实现，可帮助读者理解数据分析全流程。目前已有159人学习，可用于掌握Pandas、Matplotlib、Seaborn等工具的实际分析流程，也可作为服饰行业市场洞察或课程设计的参考案例。通过复现项目，读者能获得从原始Excel数据到最终图表报告的一整套分析思路与可复用脚本，辅助品牌了解用户偏好，为内容运营与选品策略提供数据支撑。 小红书服饰行业的数据分析，是我最近带着团队一起啃下来的一个项目。说实话，只看“数据分析-75”这个编号看不出名堂，但拿到完整的笔记和互动数据后，你会发现服饰这个类目在小红书上的内容生态远比想象中复杂——它不只是“好看的衣服”那么简单，背后藏着用户对风格、价格、场景、品牌的多重偏好。这期文章我就把这个项目的完整链路拆开来讲，从数据获取、清洗、分析到可视化，代码和踩坑记录一并放出，希望能给正在做内容平台行业分析的朋友一些参考。
1. 项目背景与整体思路拆解
1.1 为什么选择小红书服饰行业作为分析对象
服饰一直是小红书笔记体量最大的类目之一，但体量大不意味着好分析。这个行业的特殊之处在于：用户决策高度依赖视觉内容，笔记的互动数据（点赞、收藏、评论）受封面图、标题文案、发布时间、价格锚点等多重因素影响，单纯看曝光量或者点赞数很容易得出片面结论。
我在做这个项目之前，内部讨论过好几个方向——美妆、家居、母婴都看过，最终选定服饰，原因有三：
- 服饰类目的笔记结构相对标准，标题、正文、图片标签、品牌提及等信息完整度高，适合做文本和数值的交叉分析。
- 互动数据的“信号强度”高。用户收藏一篇服饰笔记，往往意味着有明确的购买意向或穿搭模仿意愿，这比美妆笔记的“点赞即完事”行为更有分析价值。
- 服饰的季节性波动明显，可以顺带观察内容供给和用户需求之间的节奏差异。
所以这个项目的定位不是“做一张好看的数据看板”，而是要回答几个具体问题：什么风格的服饰笔记最容易获得高互动？品牌提及度和互动量之间到底是什么关系？价格带在笔记内容里是如何分布的？用户到底在收藏什么样的穿搭方案？
1.2 整体技术选型：从爬虫到可视化的链路设计
这个项目的数据量级不算夸张——最终清洗后进入分析阶段的笔记大约3.2万条，含完整的标题、正文、标签、点赞数、收藏数、评论数、发布时间和部分品牌信息。这个量级用单机Python完全跑得动，没必要上Spark或者Hadoop，杀鸡用牛刀反而拖慢节奏。
技术链路我选的是经典的Python三件套：
- 数据采集：Scrapy框架 + 代理IP池，针对小红书Web端接口进行定向采集。
- 数据清洗与分析：Pandas + NumPy，处理缺失值、文本清洗、分组聚合。
- 可视化：Matplotlib + WordCloud + Seaborn，输出图表直接用于汇报。
为什么不用现成的采集工具？市面上虽然有不少小红书数据采集服务，但一方面价格不便宜，另一方面拿到的数据字段不全，尤其是正文文本和评论内容经常被截断，这对于做文本分析来说是致命的。自己写爬虫虽然前期麻烦点，但字段可以完全按需定制，后续清洗和分析的自由度大很多。
选型上还有一个关键决策：数据存储用CSV而不是数据库。这个项目的分析是一次性探索性质，不需要频繁更新，CSV文件配合Pandas的read_csv就能搞定，省去搭数据库的时间。但如果你打算长期监控趋势，建议还是落到MySQL或PostgreSQL里，后续做增量更新会更顺手。
2. 数据采集与预处理实战
2.1 小红书数据采集的方案设计与合规边界
先强调一句：任何平台的公开数据采集都要遵循其Robots协议和服务条款，本项目的采集范围仅限于公开可访问的笔记内容，不涉及用户隐私信息和非公开数据。建议你在做类似项目时，务必确认自己的行为在合规范围内。
采集方案上，我采用的是关键词检索 + 笔记详情页解析两步走：
- 第一步，通过小红书搜索接口，用“连衣裙”“卫衣”“牛仔裤”“外套”“半身裙”等一级类目词，以及“法式穿搭”“日系穿搭”“通勤穿搭”等风格词拉取笔记列表，每轮分页获取笔记ID。
- 第二步，遍历笔记ID，请求笔记详情页，解析标题、正文、一级标签、点赞数、收藏数、评论数、发布时间、作者信息等字段。
这里有一个很关键的参数设计：搜索词的覆盖范围决定了数据样本的代表性。我只用了20多个关键词，其中既有类目词，也有风格词和场景词（比如“约会穿搭”“面试穿搭”），这样能保证样本不过度偏向某一个细分方向。最终3.2万条笔记里，类目词来源大约占六成，风格场景词占四成，分布基本均衡。
代理IP池是绕不开的环节。小红书对高频请求的限制比较严格，单IP每分钟请求超过30次基本就会触发风控，返回验证页面。我当时的做法是准备了一个500个IP的代理池，每次请求随机抽取一个IP，配合随机延时（1~3秒），把单IP的请求频率控制在安全阈值内。实测下来，采集3.2万条笔记花了大约11个小时，中途没有出现被封的情况。
2.2 数据清洗的关键细节：从原始文本到规整表格
采集回来的原始数据，说实话挺脏的。最典型的几个问题：
- 文本编码混乱：部分表情符号和特殊字符在抓取时会变成乱码，需要统一处理成UTF-8。
- 互动数据单位不统一：小红书Web端返回的点赞数有时候是“1.2万”这种格式，需要转成纯数字。
- 字段缺失：部分笔记没有品牌提及，部分笔记的正文被折叠，需要标记为缺失值而不是直接丢弃。
- 重复数据：不同关键词可能会命中同一条笔记，需要根据笔记ID去重。
清洗代码的核心逻辑如下：
import pandas as pd import re def clean_count(value): if isinstance(value, str): if '万' in value: return int(float(value.replace('万', '')) * 10000) return int(value.replace(',', '')) return value def clean_text(text): # 去除HTML标签 text = re.sub(r'<[^>]+>', '', text) # 去除emoji和特殊符号 text = re.sub(r'[^\u4e00-\u9fa5a-zA-Z0-9\s，。！？、：；\"\"\'\'（）]', '', text) # 合并多余空格 text = re.sub(r'\s+', ' ', text).strip() return text # 去重 df = df.drop_duplicates(subset='note_id', keep='first') # 清洗互动数据 for col in ['liked_count', 'collected_count', 'comment_count']: df[col] = df[col].apply(clean_count) # 清洗文本字段 df['title'] = df['title'].apply(clean_text) df['desc'] = df['desc'].apply(clean_text) # 处理缺失值 df['brand'] = df['brand'].fillna('未知') df = df.dropna(subset=['title', 'desc'])这里特别提醒一下：去重操作必须放在清洗互动数据之前，因为重复数据在抓取时可能因为时间差导致互动数不一致，先去重能保证后续聚合统计的准确性。
3. 核心分析维度与代码实现
3.1 服饰类目与风格类型的分布特征
数据清洗完成后，第一步做的是类目和风格的分布分析。我先用关键词匹配的方式给每条笔记打上类目标签——标题或正文中出现“连衣裙”“裙子”归入裙装类，“卫衣”“毛衣”“针织衫”归入上装类，以此类推。
def categorize(note_text): text = str(note_text) if any(kw in text for kw in ['连衣裙', '裙子', '半身裙', 'jk裙']): return '裙装' if any(kw in text for kw in ['卫衣', '毛衣', '针织衫', 't恤', '衬衫']): return '上装' if any(kw in text for kw in ['牛仔裤', '休闲裤', '西裤', '阔腿裤']): return '裤装' if any(kw in text for kw in ['外套', '风衣', '大衣', '羽绒服', '棉服']): return '外套' if any(kw in text for kw in ['内搭', '打底', '吊带']): return '内搭' return '其他' df['category'] = df['title'] + ' ' + df['desc'] df['category'] = df['category'].apply(categorize)统计结果挺有意思：裙装和上装几乎占了一半内容，但两者的互动表现差异很大——裙装笔记的平均收藏数是上装的1.8倍左右。这说明用户刷到裙装笔记时，更容易产生“先收藏、以后可能买”的行为，而上装笔记更多是“看过即走”。这种类目间的行为差异，对内容运营和品牌投放的参考价值都比较大。
风格标签我用了另一套关键词库，包括“法式”“日系”“韩系”“通勤”“休闲”“甜美”“复古”“辣妹”“极简”“街头”等十来个主流风格词。分析后发现，风格词的分布高度集中，前五大风格占据了接近70%的笔记总量，但“法式”和“通勤”这类风格虽然笔记量不是最大，互动转化率却明显更高。这也侧面说明了一个长期存在的内容供需矛盾：用户爱看的内容，供给未必充足。
3.2 品牌提及度与互动表现的关系挖掘
品牌分析是服饰类数据分析绕不开的模块。我的做法是拉取了50个主流服饰品牌名单，在笔记标题和正文里做字符串匹配，统计每个品牌的“被提及笔记数”和“平均互动量”。
brands = ['优衣库', 'zara', 'ur', '太平鸟', 'veromoda', 'only', 'lululemon', '耐克', '阿迪达斯', '安踏', '李宁', 'moussy', 'sly', 'dazzle', '鄂尔多斯', '之禾', '江南布衣', 'initial'] def detect_brand(text): for brand in brands: if brand.lower() in str(text).lower(): return brand return '未提及' df['brand'] = df['title'] + ' ' + df['desc'] df['brand'] = df['brand'].apply(detect_brand)这里有个很有意思的发现：品牌提及度和互动量之间并不完全是正相关。像优衣库这种被提及量极高的品牌，其笔记平均互动量反而略低于整体水平，原因很可能是优衣库相关内容里UGC和官方营销内容混杂，用户已经产生了审美疲劳。反倒是国内设计师品牌和运动品牌（比如李宁、安踏的部分高端线），虽然被提及量不大，但一旦出现在笔记里，互动数据非常亮眼。
这给品牌方的启示很直接：在小红书上做服饰营销，不能只追求品牌名字被频繁提及，更要关注笔记内容本身的创意和差异化，让用户因为内容质量而收藏，而不是因为品牌logo而划走。
3.3 价格带与笔记表现的交叉分析
价格是服饰消费决策的核心变量之一，但小红书笔记里很少直接写价格，需要从标题和正文里提取。我的提取策略是正则匹配，抓取“价格”附近的数字，比如“199元”“¥299”“三百左右”这类表述。
def extract_price(text): patterns = [ r'(\d{3,5})\s*元', r'¥\s*(\d{3,5})', r'(\d{3,5})\s*块', r'(\d{3,5})\s*r\s*m\s*b' ] for pattern in patterns: match = re.search(pattern, str(text)) if match: return int(match.group(1)) return None df['price'] = df['title'] + ' ' + df['desc'] df['price'] = df['price'].apply(extract_price)提取结果是大约38%的笔记能检测到明确的价格信息，剩下的根据发布时间和类目进行分段估计。价格带划分我用了五档：100以下、100-300、300-500、500-1000、1000以上。
交叉分析后的结论很清晰：100-300元价格带是小红书服饰笔记的“甜蜜区”，这个区间的笔记数量最多，平均互动表现也最好。300-500元是第二梯队，但互动量的方差明显变大——也就是说这个价位段的笔记表现两极分化严重，要么爆款要么无人问津。1000元以上的高价位笔记虽然数量少，但只要内容到位，平均收藏率反而不错，因为高价位笔记的受众更精准，收藏行为的决策权重更高。
这个结论对于达人合作选品很有参考价值：如果你是一个中小体量的服饰博主，主攻100-300元价格带的穿搭内容，跑出爆款的概率会比做高价位内容更大。因为平台对这个价格带的内容供给需求最旺盛，用户的消费能力匹配度也最高。
4. 可视化呈现与结论解读
4.1 词云与热度的可视化设计
文本数据的可视化，我首推词云。它虽然被很多人诟病“不严谨”，但在探索性分析阶段，词云能快速给出内容主题的整体感知，用好了效率极高。
我的词云生成逻辑是：先把所有笔记的标题和正文合并，用结巴分词做词性过滤，只保留形容词和名词，去除“这个”“那个”“就是”这类无意义词汇，再叠加每篇笔记的收藏数作为权重，让高互动笔记里的词在词云中占据更大面积。
import jieba import jieba.analyse from wordcloud import WordCloud import matplotlib.pyplot as plt # 合并文本，按收藏数加权 weighted_text = '' for _, row in df.iterrows(): text = str(row['title']) + ' ' + str(row['desc']) weight = min(row['collected_count'] / 10, 100) # 设置权重上限 weighted_text += (text + ' ') * int(weight) # 提取关键词 keywords = jieba.analyse.extract_tags(weighted_text, topK=80) wc = WordCloud( font_path='/System/Library/Fonts/PingFang.ttc', width=800, height=600, background_color='white', max_words=100 ).generate(' '.join(keywords)) plt.figure(figsize=(10, 8)) plt.imshow(wc, interpolation='bilinear') plt.axis('off') plt.show()实测下来，最终词云里“显瘦”“高级感”“通勤”“法式”“平价”“约会”这几个词占据核心位置。这其实和我们对服饰内容生态的直觉判断一致——用户在小红书上找的从来不只是衣服本身，而是“穿上后的状态”，显瘦和高级感这类描述词的高频出现，说明用户在内容消费时带有明确的情感投射和场景想象。
词云之外互动数据的可视化，我用得最多的是分组柱状图和箱线图。比如上面提到的类目互动分析，用按类目分组的平均收藏数柱状图展示，一眼就能看出裙装和其他类目的差距；价格带分析则用箱线图，能清晰展示中位数、四分位距和异常值分布，避免只被平均数带偏判断。
4.2 从图表到业务结论的转化思路
很多数据分析项目的问题是最后交付的是一堆图表，但没有业务结论——做图谁都会，难的是把图变成行动建议。这个项目里，我强制要求每个分析模块必须输出“如果我是品牌/博主，我该怎么做”的结论。
以价格带分析为例，图表显示100-300元价格带的笔记数量最多、互动表现最好，直接给出的行业建议是：这个价格带已经很拥挤，新入场的品牌需要找到更细分的切入点，比如“100-200元的通勤裙装”而非泛泛的“平价穿搭”。而对于高价品牌，图表显示的互动方差大并不是坏事，说明只要内容足够精准，就有机会在小众圈层里跑出高互动，没必要强行下沉。
风格分析这块，我额外做了一个“风格供需差”的指标——某种风格笔记的占比减去该风格笔记平均互动量的排名归一化值，正数表示供给过量、负数表示供不应求。计算结果显示“通勤”和“法式”的供需差为负，属于典型的蓝海方向。这种图表之外的衍生计算，才是探索性分析最有价值的部分。
5. 常见问题与排查技巧实录
5.1 数据采集环节的典型问题
采集环节最容易翻车的地方是接口返回结构变化。小红书的Web端接口在前端改版时经常调整返回字段，比如笔记详情页里点赞数字段的路径可能从note.interactInfo.likedCount变成data.note.interactInfo.likedCount。我的建议是：爬虫代码里做好字段提取的异常捕获，一旦某条笔记的解析失败，立即记录日志并跳过，不要因为单条数据导致整个爬虫崩溃。
代理IP的稳定性和速度也是一大坑。我在项目中期测试发现，某些代理IP虽然显示连通，但响应速度慢到4秒以上，严重拖慢整体采集效率。后来加了响应时间过滤逻辑——延迟超过2秒的IP直接剔除，后续请求不再使用——整体采集速度立刻提升了近一倍。
还有一点值得提醒：小红书对图片内容同样有限流策略，如果采集了笔记里的图片URL，后续批量下载图片时一定要做下载频率控制，否则很容易触发频控。图片在这里属于辅助数据，不需要全量采集，按需采样即可。
5.2 分析过程中的统计陷阱
这里说两个我在分析中踩过的坑，也是很多做类似项目的人容易忽略的：
第一个坑是幸存者偏差。我采集的笔记里有大量高互动爆款，但也有不少个位数互动的长尾内容，如果只用全量平均来看各风格的表现，会被爆款拉高整体水平，导致判断失误。建议在分析中同时使用中位数和分位数，并对样本量过低的风格标签做剔除处理。
第二个坑是文本匹配关键词的同义词问题。比如“牛仔”和“丹宁”指的是同一个类目，但如果关键词库只放了一个就会漏掉大量相关笔记。我最后的解决方法是扩充同义词词典，并在分析前做一次小样本验证——随机抽取50条被归类为“其他”的笔记，人工检查是否存在明显漏分的情况。
5.3 项目可扩展的方向与后续设想
这个项目做完主体分析后，我梳理了三个值得继续深挖的方向：
- 评论内容的细粒度情感分析：目前只分析了笔记本身的互动数据和正文，没有对评论区做情感分类。服饰行业里，评论区的“求链接”“上身效果怎么样”“质量如何”是极高价值的信号，用文本分类模型可以进一步挖掘。
- 笔记发布时间与互动表现的关系：翻了下数据，晚上8点到10点发布的笔记互动表现似乎更好，但这只是粗略观察，严谨地做需要引入发布时间的小时分布和发布时间窗口分析，控制节假日等干扰因素。
- 跨周期追踪同一批笔记：目前只有采集时间点的截面数据，如果连续追踪同一批笔记一个月，能看到互动数据的增长曲线，识别出“慢热型”和“快热型”爆款的差异，这对内容运营的策略制定会更有帮助。
6. 实操中的个人体会
这个项目自己实际操盘下来，最大的感触是：做行业数据分析，技术能力只占一半，剩下的一半是对业务的理解和对数据的耐心。
技术层面，Python生态里的Pandas和Scrapy足够撑起一个完整的数据分析项目，不需要什么高深的大数据框架。如果你对数据量预估在十万条记录以内，单机处理完全够用，把精力花在业务指标设计上更值得。
业务层面，懂一点服饰行业的常识特别重要——比如知道“法式风”和“通勤风”分别代表什么、知道“95后”和“85后”在穿搭搜索上的偏好差别，这些背景知识能让分析更深入，而不是停留在“词频统计”的表面。
最后再分享一个小技巧：在做完所有分析和可视化后，建议把每一个分析结论都配上数据来源的说明和抽样验证的截图，这样在向客户或团队汇报时，能大幅提升可信度。数据可信，结论才有价值——这是我做这类探索性项目最深刻的一课。
本文还有配套的精品资源，点击获取
