Python對商品屬性進行二次分類並輸出多層巢狀字典
題目有點長，感覺好像也解釋的不太清楚，但是大概意思就是，我們在逛一個網站的時候，譬如天貓，你會看到有“女裝”、“男鞋”、“手機”等等分類，點選進去又會有相應的品牌，女裝下面會有“snidle”、“伊芙麗”等品牌，男鞋下面會有“nike”、“adidas”等分類，如果一個使用者在搜尋nike，那麼相應的標籤應該會帶上“男鞋”，通俗的說是會在輸入框下面彈出“在男鞋下面搜尋nike”，那麼我寫這篇文章就是要預測我們在輸入一個品牌的時候，相對應的一級分類的概率是多少。
然並卵，我並沒有天貓的相關資料，只有我公司的資料，但是這個資料肯定不能外洩，編資料又很麻煩，所以就不講怎麼用機器學習的演算法去計算這個概率了，不過這也不難，待我有時間寫個爬蟲把資料弄下來再寫，嘿嘿。 總之，做完後的預測資料應該是醬紫的：
這個表怎麼看呢，第一行是一級分類的類別，第一列是二級分類的類別。以第三行為例，我們可以看到“scofield”這個品牌被分類為“女裝/內衣”的概率是0.87473829，“女鞋/男鞋/箱包”的概率是0.03394293，“化妝品/個人護理”的概率是0.21392374。所以如果你在天貓的搜尋框裡搜尋“scofield”，下面最可能彈出來的是“在女裝/內衣中搜索scofield”。 但是這個表有個缺陷，就是0值太多，而且沒有排序，看起來很亂，所以我們用python中的字典進行排序。 廢話不多說，上程式碼：
#輸出排序後的字典，美化前 {"太平鳥": "[["家紡/家飾/鮮花", "0"], ["男裝/戶外運動/", 0.8478237190000001], ["化妝品/個人護理", 0.11242904]]", "博士倫": "[["家紡/家飾/鮮花", "0"], ["醫藥保健", 0.89348974], ["化妝品/個人護理", 0.11323213]]", "a02": "[["家紡/家飾/鮮花", "0"], ["女裝/內衣", 0.9844473220000001], ["女鞋/男鞋/箱包", 0.12493492]]", "周黑鴨": "[["家紡/家飾/鮮花", "0"], ["零食/進口食品/茶酒", 0.87323123], ["廚具/收納/寵物", 0.12432232]]", "3M": "[["家紡/家飾/鮮花", "0"], ["家居建材", 0.68213814], ["廚具/收納/寵物", 0.32344534]]", "博士": "[["家紡/家飾/鮮花", "0"]]", "sk-II": "[["家紡/家飾/鮮花", "0"], ["化妝品/個人護理", 0.98843487], ["腕錶/珠寶飾品/眼鏡", 0.02324442]]", "洗潔精": "[["家紡/家飾/鮮花", "0"], ["圖書音像", 0.02124194]]", "finity": "[["家紡/家飾/鮮花", "0"], ["女裝/內衣", 0.93392424], ["女鞋/男鞋/箱包", 0.07323483]]", "selected": "[["家紡/家飾/鮮花", "0"], ["男裝/戶外運動/", 0.9344398420000001], ["女鞋/男鞋/箱包", 0.07438472]]", "scofield": "[["家紡/家飾/鮮花", "0"], ["女裝/內衣", 0.87473829], ["化妝品/個人護理", 0.21392374]]", "米其林": "[["家紡/家飾/鮮花", "0.02432412"], ["汽車/配件/用品", 0.98233342]]", "好奇": "[["家紡/家飾/鮮花", "0"], ["母嬰玩具", 0.89472934], ["零食/進口食品/茶酒", 0.11321412]]", "佐卡伊": "[["家紡/家飾/鮮花", "0"], ["腕錶/珠寶飾品/眼鏡", 0.87342324], ["化妝品/個人護理", 0.13232944]]", "波司登": "[["家紡/家飾/鮮花", "0"], ["女裝/內衣", 0.78765673], ["化妝品/個人護理", 0.20183924]]", "breadbutter": "[["家紡/家飾/鮮花", "0"], ["女裝/內衣", 0.684728232], ["零食/進口食品/茶酒", 0.29434974]]", "北極絨": "[["家紡/家飾/鮮花", "0.84932498"], ["家居建材", 0.11321321], ["大家電/生活電器", 0.05213923]]", "Adidas": "[["家紡/家飾/鮮花", "0"], ["男裝/戶外運動/", 0.8297434340000001], ["女鞋/男鞋/箱包", 0.14974892]]", "噹噹網": "[["家紡/家飾/鮮花", "0"], ["圖書音像", 0.78947234]]", "snidle": "[["家紡/家飾/鮮花", "0"], ["女裝/內衣", 0.83927289], ["女鞋/男鞋/箱包", 0.15237234]]", "TISSOT": "[["家紡/家飾/鮮花", "0"], ["腕錶/珠寶飾品/眼鏡", 0.87545234], ["大家電/生活電器", 0.13942309]]", "曼妮芬": "[["家紡/家飾/鮮花", "0"], ["女裝/內衣", 0.93837427], ["化妝品/個人護理", 0.07239742]]", "New Balance": "[["家紡/家飾/鮮花", "0"], ["女鞋/男鞋/箱包", 0.57823432], ["母嬰玩具", 0.43237442]]", "Jackjones": "[["家紡/家飾/鮮花", "0"], ["男裝/戶外運動/", 0.883293743], ["女鞋/男鞋/箱包", 0.10343298]]", "ZARA": "[["家紡/家飾/鮮花", "0"], ["女裝/內衣", 0.78283128], ["女鞋/男鞋/箱包", 0.12429483]]", "海爾": "[["家紡/家飾/鮮花", "0。1323243"], ["大家電/生活電器", 0.79103821], ["廚具/收納/寵物", 0.09354832]]", "nike": "[["家紡/家飾/鮮花", "0"], ["男裝/戶外運動/", 0.8912323129999999], ["化妝品/個人護理", 0.06163211]]", "雙立人": "[["家紡/家飾/鮮花", "0"], ["廚具/收納/寵物", 0.98943242], ["醫藥保健", 0.01943242]]", "蘋果": "[["家紡/家飾/鮮花", "0"], ["手機/數碼/電腦辦公", 0.89232342], ["汽車/配件/用品", 0.05293713]]", "蘭芝": "[["家紡/家飾/鮮花", "0"], ["化妝品/個人護理", 0.78423234], ["腕錶/珠寶飾品/眼鏡", 0.13213232]]"} #輸出排序後的字典，美化後 {"太平鳥": "[["家紡/家飾/鮮花", "0"], ["男裝/戶外運動/", 0.8478237190000001], ["化妝品/個人護理", 0.11242904]]", "博士倫": "[["家紡/家飾/鮮花", "0"], ["醫藥保健", 0.89348974], ["化妝品/個人護理", 0.11323213]]", "a02": "[["家紡/家飾/鮮花", "0"], ["女裝/內衣", 0.9844473220000001], ["女鞋/男鞋/箱包", 0.12493492]]", "周黑鴨": "[["家紡/家飾/鮮花", "0"], ["零食/進口食品/茶酒", 0.87323123], ["廚具/收納/寵物", 0.12432232]]", "3M": "[["家紡/家飾/鮮花", "0"], ["家居建材", 0.68213814], ["廚具/收納/寵物", 0.32344534]]", "博士": "[["家紡/家飾/鮮花", "0"]]", "sk-II": "[["家紡/家飾/鮮花", "0"], ["化妝品/個人護理", 0.98843487], ["腕錶/珠寶飾品/眼鏡", 0.02324442]]", "洗潔精": "[["家紡/家飾/鮮花", "0"], ["圖書音像", 0.02124194]]", "finity": "[["家紡/家飾/鮮花", "0"], ["女裝/內衣", 0.93392424], ["女鞋/男鞋/箱包", 0.07323483]]", "selected": "[["家紡/家飾/鮮花", "0"], ["男裝/戶外運動/", 0.9344398420000001], ["女鞋/男鞋/箱包", 0.07438472]]", "scofield": "[["家紡/家飾/鮮花", "0"], ["女裝/內衣", 0.87473829], ["化妝品/個人護理", 0.21392374]]", "米其林": "[["家紡/家飾/鮮花", "0.02432412"], ["汽車/配件/用品", 0.98233342]]", "好奇": "[["家紡/家飾/鮮花", "0"], ["母嬰玩具", 0.89472934], ["零食/進口食品/茶酒", 0.11321412]]", "佐卡伊": "[["家紡/家飾/鮮花", "0"], ["腕錶/珠寶飾品/眼鏡", 0.87342324], ["化妝品/個人護理", 0.13232944]]", "波司登": "[["家紡/家飾/鮮花", "0"], ["女裝/內衣", 0.78765673], ["化妝品/個人護理", 0.20183924]]", "breadbutter": "[["家紡/家飾/鮮花", "0"], ["女裝/內衣", 0.684728232], ["零食/進口食品/茶酒", 0.29434974]]", "北極絨": "[["家紡/家飾/鮮花", "0.84932498"], ["家居建材", 0.11321321], ["大家電/生活電器", 0.05213923]]", "Adidas": "[["家紡/家飾/鮮花", "0"], ["男裝/戶外運動/", 0.8297434340000001], ["女鞋/男鞋/箱包", 0.14974892]]", "噹噹網": "[["家紡/家飾/鮮花", "0"], ["圖書音像", 0.78947234]]", "snidle": "[["家紡/家飾/鮮花", "0"], ["女裝/內衣", 0.83927289], ["女鞋/男鞋/箱包", 0.15237234]]", "TISSOT": "[["家紡/家飾/鮮花", "0"], ["腕錶/珠寶飾品/眼鏡", 0.87545234], ["大家電/生活電器", 0.13942309]]", "曼妮芬": "[["家紡/家飾/鮮花", "0"], ["女裝/內衣", 0.93837427], ["化妝品/個人護理", 0.07239742]]", "New Balance": "[["家紡/家飾/鮮花", "0"], ["女鞋/男鞋/箱包", 0.57823432], ["母嬰玩具", 0.43237442]]", "Jackjones": "[["家紡/家飾/鮮花", "0"], ["男裝/戶外運動/", 0.883293743], ["女鞋/男鞋/箱包", 0.10343298]]", "ZARA": "[["家紡/家飾/鮮花", "0"], ["女裝/內衣", 0.78283128], ["女鞋/男鞋/箱包", 0.12429483]]", "海爾": "[["家紡/家飾/鮮花", "0。1323243"], ["大家電/生活電器", 0.79103821], ["廚具/收納/寵物", 0.09354832]]", "nike": "[["家紡/家飾/鮮花", "0"], ["男裝/戶外運動/", 0.8912323129999999], ["化妝品/個人護理", 0.06163211]]", "雙立人": "[["家紡/家飾/鮮花", "0"], ["廚具/收納/寵物", 0.98943242], ["醫藥保健", 0.01943242]]", "蘋果": "[["家紡/家飾/鮮花", "0"], ["手機/數碼/電腦辦公", 0.89232342], ["汽車/配件/用品", 0.05293713]]", "蘭芝": "[["家紡/家飾/鮮花", "0"], ["化妝品/個人護理", 0.78423234], ["腕錶/珠寶飾品/眼鏡", 0.13213232]]"}
這裡結果顯示的不太好看，其實在linux下輸出很清晰，看圖片：
這個的難點在於python的多層巢狀字典的輸出和刪除python字典中的值，譬如在這裡就是刪除字典中value =
0的值，我最開始的時候是把value值提取出來放到一個列表裡去刪除，但是刪除之後至少還會保留一個0值，後來想到可以把字典的key和value反轉，用dict.pop刪除key = 0的鍵值對就可以了。第二個難點就是多層巢狀字典的排序。我們知道字典是無序的，所以只能把字典按照value排序，然後把排序後的結果存到一個list裡，在和原來對應的key值列表組合成字典，這樣就方便多了。
ps：這個天貓資料是我編的 = =
via:http://blog.csdn.net/qq-15034741/article/details/5069918