完整输出一个可运行的 Python 项目示例，用于导入购物评价记录（商品名、评分、评价内容），统计好评率（5分为好评），输出差评商品整改建议。
1. 实际应用场景描述
在电商运营或个人购物管理中，我们经常会积累大量的商品评价数据。
这些数据不仅反映了消费者的满意度，还能揭示商品的质量、服务、物流等方面的问题。
例如：
- 某款商品收到很多 1~2 分的差评，说明可能存在质量缺陷或服务问题。
- 好评率高但近期出现差评激增，可能是供应链或批次出了问题。
本程序基于大数据与智能管理课程中的数据清洗、统计分析与决策支持方法，帮助用户导入购物评价记录、自动统计好评率、识别差评商品并生成整改建议，从而优化购买决策或改进商品质量。
2. 痛点分析
- 数据分散：评价记录可能来自淘宝、京东、拼多多等多个平台，格式不统一。
- 人工统计耗时：面对成千上万条评价，手动计算好评率效率极低。
- 差评分析不足：只看平均分无法发现具体问题和改进方向。
- 缺乏 actionable insight：即使知道差评多，也不知道如何整改。
3. 核心逻辑讲解
1. 数据导入：从 CSV 文件读取商品名、评分、评价内容。
2. 好评判定：评分 = 5 分视为好评。
3. 好评率计算：
\text{好评率} = \frac{\text{好评数量}}{\text{总评价数量}} \times 100\%
4. 差评商品识别：统计每个商品的差评数量（评分 ≤ 3），按差评数量排序。
5. 整改建议生成：根据差评关键词（如“质量差”“发货慢”“客服态度不好”）匹配预设建议模板。
4. 代码模块化
项目结构
review_analyzer/
├── main.py
├── review_data.py
├── analyzer.py
├── advisor.py
└── README.md
"review_data.py"
# 评价数据模块
import csv
DATA_FILE = "reviews.csv"
def load_reviews():
"""加载评价数据"""
reviews = []
try:
with open(DATA_FILE, 'r', encoding='utf-8') as f:
reader = csv.DictReader(f)
for row in reader:
reviews.append({
"product": row["product"],
"rating": int(row["rating"]),
"content": row["content"]
})
except FileNotFoundError:
pass
return reviews
"analyzer.py"
# 分析模块
from collections import Counter
def calculate_good_rate(reviews):
"""计算好评率"""
if not reviews:
return 0.0
good_count = sum(1 for r in reviews if r["rating"] == 5)
return (good_count / len(reviews)) * 100
def find_bad_products(reviews, bad_threshold=3):
"""找出差评商品及差评数量"""
product_bad_count = Counter()
for r in reviews:
if r["rating"] <= bad_threshold:
product_bad_count[r["product"]] += 1
return product_bad_count.most_common()
"advisor.py"
# 建议模块
def generate_advice(product, content):
"""
根据差评内容生成建议
"""
content_lower = content.lower()
if "质量" in content_lower or "破损" in content_lower:
return f"【{product}】质量问题：建议检查供应商生产流程，加强质检环节。"
elif "发货" in content_lower or "物流" in content_lower:
return f"【{product}】物流问题：建议优化仓储与配送合作方，缩短发货时间。"
elif "客服" in content_lower or "态度" in content_lower:
return f"【{product}】服务问题：建议加强客服培训，建立快速响应机制。"
else:
return f"【{product}】其他问题：建议收集更多用户反馈，针对性改进。"
"main.py"
# 主程序入口
from review_data import load_reviews
from analyzer import calculate_good_rate, find_bad_products
from advisor import generate_advice
def main():
reviews = load_reviews()
if not reviews:
print("未找到评价数据，请检查 reviews.csv 文件。")
return
good_rate = calculate_good_rate(reviews)
print(f"总体好评率: {good_rate:.2f}%")
bad_products = find_bad_products(reviews)
if not bad_products:
print("暂无差评商品。")
return
print("\n=== 差评商品及整改建议 ===")
for product, count in bad_products:
# 取第一条差评内容作为示例
example_content = next((r["content"] for r in reviews if r["product"] == product and r["rating"] <= 3), "")
advice = generate_advice(product, example_content)
print(f"商品: {product}, 差评数量: {count}")
print(f"建议: {advice}\n")
if __name__ == "__main__":
main()
5. README.md
# Review Analyzer
一个基于 Python 的购物评价分析工具，可统计好评率、识别差评商品并生成整改建议。
## 功能
- 导入购物评价记录（商品名、评分、评价内容）
- 计算总体好评率
- 识别差评商品并按差评数量排序
- 根据差评内容生成整改建议
## 使用方法
1. 克隆或下载本项目
2. 准备 `reviews.csv` 文件，格式如下：
product,rating,content
商品A,5,很好用
商品B,2,质量很差
...
3. 运行：
bash
python main.py
## 项目结构
- `main.py`：主程序入口
- `review_data.py`：数据加载
- `analyzer.py`：好评率与差评统计
- `advisor.py`：整改建议生成
## 扩展方向
- 接入电商平台 API 自动获取数据
- 使用 NLP 进行情感分析与关键词提取
- 生成可视化报告（好评率趋势、差评词云）
6. 使用说明
1. 在项目根目录放置
"reviews.csv" 文件，确保列名为
"product",
"rating",
"content"。
2. 运行
"main.py"，程序会输出总体好评率和差评商品整改建议。
3. 可根据需要扩展建议规则或接入真实数据源。
7. 核心知识点卡片
知识点 说明
CSV 文件读取 用
"csv.DictReader" 读取结构化数据
好评率计算 统计 5 分评价占比
Counter 统计 快速统计差评商品频次
关键词匹配 基于简单规则生成建议
模块化设计 数据、分析、建议分离，便于维护
大数据思维 从海量评价中提取 actionable insight
8. 总结
本项目将大数据与智能管理课程中的数据清洗、统计分析、决策支持方法应用于购物评价管理，解决了好评率统计繁琐、差评分析不足、缺乏整改方向的痛点。
通过模块化设计和清晰的分析逻辑，用户可以快速识别问题商品并获得针对性建议。未来可结合 NLP 和情感分析技术，实现更精准的差评原因挖掘，并接入真实电商数据，打造完整的商品质量管理助手。
如果你愿意，可以加上 词云可视化差评高频词 或 Matplotlib 好评率趋势图，让分析结果更直观。
利用AI高效解决实际问题，如果你觉得这个工具好用，欢迎关注我！
