qwanturank Trends est un outil gratuit et incroyablement utile qui fournit des intérêts de recherche, des mots clés populaires et des sujets d’actualité dans de nombreuses langues pour différentes plateformes telles que la recherche sur le Web, Youtube ou qwanturank Shopping. Quel que soit le canal marketing, il peut être un outil très utile pour obtenir des informations précieuses et faire des choix significatifs pour les prochaines étapes de votre projet.

Fondamentalement, il donne les données sur la popularité relative d’un mot-clé de 2004 à nos jours, ce qui est vraiment cool! (La popularité relative signifie le rapport entre l’intérêt de votre terme de recherche et les intérêts de tous les mots clés recherchés sur qwanturank.)

Tout va bien jusqu’à présent, mais l’analyse des données de qwanturank Trends à grande échelle n’est généralement pas pratique. Beaucoup d’entre nous ne l’utilisent pas beaucoup, car il semble difficile de rechercher des mots clés sur le site Web et d’obtenir des points de données un par un. Alors, comment pouvons-nous utiliser qwanturank Trends de manière plus efficace?

Dans cet article, mon objectif est de vous montrer la bibliothèque pytrends en Python et quels avantages vous pouvez en tirer dans votre analyse de données. J’expliquerai également la connexion entre qwanturank Spreadsheets et Jupyter Notebook afin d’importer des données dans qwanturank Data Studio pour les partager facilement avec d’autres. Par exemple, lors de l’analyse des données de la Search Console sur le tableau de bord Data Studio, ne serait-il pas agréable d’avoir des données qwanturank Trends sur la même page? Si votre réponse est oui, creusons!

3 sujets que je couvrirai dans cet article:

Coder avec la bibliothèque Pytrends et explorer ses fonctionnalitésConnecter Jupyter Notebook à qwanturank Spreadsheets avec la bibliothèque gspreadImporter des données dans qwanturank Data Studio

Configuration requise pour utiliser la bibliothèque Pytrends

Python 2.7+ et Python 3.3+ nécessite des requêtes, lxml, des bibliothèques Pandas. Si vous ne savez pas comment installer les bibliothèques, consultez ce document Python. (indice: pip install pandas) Jupyter Notebook est une application web open source qui fournit l’environnement pour exécuter votre code.

Codage avec la bibliothèque Pytrends

Tout d’abord, vous devez installer la bibliothèque:

pip installer pytrends

Importation des bibliothèques nécessaires:

importer pytrends
à partir de pytrends.request import TrendReq
importer des pandas en tant que pd
temps d’importation
importer datetime
à partir de datetime import datetime, date, time

Il est maintenant temps de coder!

pytrend = TrendReq ()
pytrend.build_payload (kw_list =[‘tea’, ‘coffee’, ‘coke’, ‘milk’, ‘water’], période = ‘aujourd’hui 12 m’, geo = ‘GB’)

La fonction de charge utile est importante pour spécifier votre recherche. Écrivez vos mots-clés, décidez de la plage de dates, du lieu et bien d’autres choses comme choisir Youtube ou la chaîne Shopping à analyser. Dans le code ci-dessus, «12 m aujourd’hui» signifie des données d’un an. Vous pouvez affiner vos résultats en spécifiant l’emplacement avec «  » géo «  ».

Supposons que vous ayez une chaîne Youtube et que vous souhaitiez uniquement voir les tendances de recherche sur Youtube. Ensuite, votre code sera comme ceci:

pytrend.build_payload (kw_list =[‘tea’, ‘coffee’, ‘coke’, ‘milk’, ‘water’], période = ‘aujourd’hui 12 m’, geo = ‘GB’, gprop = youtube)

Ou supposons que vous ayez un blog sur les aliments et boissons et que vous souhaitiez obtenir des données sur les tendances de vos mots clés dans cette catégorie, et non par rapport à toutes les recherches. Ce sera alors quelque chose comme ceci:

pytrend.build_payload (kw_list =[‘tea’, ‘coffee’, ‘coke’, ‘milk’, ‘water’], période = ‘aujourd’hui 12 m’, geo = ‘GB’, cat = 71)

Afin de voir toutes les fonctionnalités et les filtres, vous devriez vérifier ce référentiel sur Github et vous pouvez également trouver tous les codes de catégorie ici.

(Soit dit en passant, veillez à ce que vous ne puissiez pas écrire directement plus de 5 mots clés ici. Cela donnera une erreur car vous ne pouvez comparer que 5 mots clés sur qwanturank Trends. J’utiliserai un autre code pour analyser plus de 5 mots clés.)

Alors, continuons et obtenons le score des tendances maintenant.

#pour obtenir un score d’intérêt au fil du temps, vous aurez besoin de la fonction pytrend.interest_over_time ().
#Pour plus de fonctions, vérifiez ceci: https://github.com/GeneralMills/pytrends
interest_over_time_df = pytrend.interest_over_time () print (interest_over_time_df.head ())

# Dessinons
import matplotlib.pyplot as plt
importer seaborn comme sns
sns.set (color_codes = True)
dx = interest_over_time_df.plot.line (figsize = (9,6), title = « Intérêt au fil du temps »)
dx.set_xlabel (‘Date’)
dx.set_ylabel (‘Indice des tendances’)
dx.tick_params (axis = ‘both’, which = ‘major’, labelsize = 13)

Mots clés suggérés

Maintenant, je vais vous montrer une autre fonctionnalité intéressante de qwanturank Trends. Si vous utilisez la fonction de suggestion, elle reviendra avec les mots clés suggérés et leur ‘’les types.’’

print (pytrend.suggestions (keyword = ‘land of engine’), ‘ n’)
print (pytrend.suggestions (keyword = ‘amazon’), ‘ n’)
print (pytrend.suggestions (keyword = ‘cats’), ‘ n’)
print (pytrend.suggestions (keyword = ‘macbook pro’), ‘ n’)
print (pytrend.suggestions (keyword = ‘beer’), ‘ n’)
print (pytrend.suggestions (keyword = ‘ikea’), ‘ n’)

Requêtes associées

C’est mon préféré! Surtout parce qu’il peut être très utile dans qwanturank Ads, la recherche de mots clés et la création de contenu.

Vérifions le mot clé « Fondation » dans la catégorie Beauté et obtenons les mots clés associés.

pytrend.build_payload (kw_list =[‘foundation’], geo = ‘US’, timeframe = ‘today 3-m’, cat = 44)
related_queries = pytrend.related_queries ()
print (related_queries)

Vous verrez deux parties dans la sortie; mots-clés et mots-clés en hausse. La valeur des mots clés les plus performants indique le score qwanturank Trends de 0 à 100. Cependant, la valeur des mots clés en augmentation indique le pourcentage d’intérêt pour les mots clés.

Si un site Web vend des fondations, ce serait bien de suivre ce que les gens recherchent récemment, non? Ces produits peuvent devenir populaires ou inversés, ils peuvent avoir une mauvaise réputation récemment et c’est pourquoi les gens peuvent les rechercher. Par exemple, si vous le constatez dès que possible dans qwanturank Ads, vous risquez de ne pas dépenser des sommes excessives sans conversion.

Suivi de nombreux mots clés

Maintenant, je vais écrire un groupe de mots clés aléatoires ici et obtenir leurs données. Vous pouvez également lire des mots clés à partir d’un fichier csv ou excel, mais assurez-vous que son type doit être une «  » liste « . »

recherches =[«désintoxication»«jeûneaquatique»«bienfaitsdujeûne»«bienfaitsdujeûne»[‘detox »waterfasting »benefitsoffasting »fastingbenefits’
«acide», «régime hydrique», «thérapie à l’ozone», «hydrothérapie du côlon», «eau rapide»,
«réflexologie», «équilibre», «massage des tissus profonds», «cryo», «corps sain», «qu’est-ce que la détoxication»,
«la vérité sur le cancer», «dieta», «inverser le diabète», «comment inverser le diabète»,
«nettoyage de l’eau», «pouvez-vous boire de l’eau pendant le jeûne», «avantages du jeûne de l’eau», «charge glycémique», «anti-vieillissement», «comment arroser rapidement», «traitement à l’ozone», «esprit sain», «pouvez-vous diabète inversé »,« anti-âge »,« bienfaits du jeûne pour la santé »,« hydrocolonique »,« massage shiatsu »,« enveloppement aux algues »,« shiatsu »,
 «pouvez-vous vous débarrasser du diabète», «comment vous débarrasser du diabète», «corps sain, esprit sain», «hydrothérapie colique», «détoxification verte», «qu’est-ce que le jeûne de l’eau», «21 jours de jeûne à l’eau», » avantages du jeûne à l’eau »,« cellulite »,« ty bollinger »,« régime de désintoxication »,« programme de désintoxication »,« traitements anti-âge »,« cétogène »,« indice glycémique »,« perte de poids à jeun »,« régime céto plan »,« symptômes acides »,« régime alcalin »,« régime de jeûne à l’eau »,« thérapie au laser »,« massage anti-cellulite »,« massage suédois »,« bénéfice du jeûne »,« détoxifiez votre corps »,« thérapie du côlon » »,« inverser le diabète »,« détoxifier »,« vérité sur le cancer »,« comment éliminer l’acidité du corps »,« 21 jours de jeûne rapide »,« nettoyage du côlon »,« bienfaits pour la santé à jeun »,« anti-âge »,« massage d’aromathérapie »]

groupkeywords = list (zip (*[iter(searches)]*1))
groupkeywords = [list(x) for x in groupkeywords]

dicti = {}
i = 1
pour les tendances dans les mots-clés de groupe:
pytrend.build_payload (tendance, délai = ‘aujourd’hui 3 m’, geo = ‘GB’)
dicti[i] = pytrend.interest_over_time ()
i + = 1

résultat = pd.concat (dicti, axe = 1)
result.columns = result.columns.droplevel (0)
result = result.drop (‘isPartial’, axis = 1)

résultat

Oui! Je les ai tous, mais je dois remodeler mon bloc de données en cas de fusion de ces données avec Search Console.

result.reset_index (niveau = 0, inplace = True)
pd.melt (résultat, id_vars = ‘date’, value_vars = recherches)

result.to_excel («trends.xlsx»)

Les données qwanturank Trends sont prêtes à l’emploi!

Connexion de Jupyter Notebook à qwanturank Spreadsheets avec la bibliothèque gspread

Tout d’abord, vous devez activer certaines API et créer un fichier JSON client secret afin d’autoriser l’accès à qwanturank Sheets. Je ne vais pas expliquer cela dans cet article, mais voici un excellent guide expliquant comment procéder étape par étape.

Ensuite, vous pouvez simplement utiliser ces codes ci-dessous:

importer gspread
de oauth2client.service_account import ServiceAccountCredentials
liens =[‘https://spreadsheetsgooglecom/feeds'[‘https://spreadsheetsgooglecom/feeds’
«https://www.googleapis.com/auth/drive»]
informations d’identification =
ServiceAccountCredentials.from_json_keyfile_name (‘ENTER-YOUR-JSON-FILE-NAME-HERE.json’, liens)
gc = gspread.authorize (informations d’identification)

Création et ouverture d’une feuille de calcul:

sh = gc.create (‘Ma feuille de calcul cool’)
wks = gc.open (« Ma feuille de calcul cool »). sheet1
# consultez les documents colab ici pour plus d’exemples →
https://colab.research.qwanturank.com/notebooks/io.ipynb

Création d’une formule personnalisée pour envoyer des blocs de données dans des feuilles:

#https: //www.danielecook.com/from-pandas-to-qwanturank-sheets/

def iter_pd (df):
pour val dans la liste (df.columns):
rendement val
pour la ligne dans df.values:
pour val dans la liste (ligne):
si pd.isna (val):
rendement «  »
autre:
rendement val

def pandas_to_sheets (pandas_df, sheet, clear = True):
# Met à jour toutes les valeurs d’un classeur pour correspondre à une trame de données pandas si elle est claire:
sheet.clear ()
(ligne, col) = pandas_df.shape
cells = sheet.range (« A1:
{} « . format (gspread.utils.rowcol_to_a1 (ligne + 1, col)))
pour cellule, val dans zip (cellules, iter_pd (df)):
cell.value = val
sheet.update_cells (cellules)

Un exemple pour voir comment cela fonctionne:

df = pd.read_csv (« train.csv »)
pandas_to_sheets (df, wks)

Continuons avec les données sur les tendances et fusionnons-les avec les données de la Search Console.

sh = gc.create (‘GoogleTrends’)
wks = gc.open (« GoogleTrends »). sheet1
pandas_to_sheets (résultat, semaines)

dx = pd.read_excel (‘Trends.xlsx’, sheet_name = ‘Sheet1’)
dz = pd.read_excel (‘Trends.xlsx’, sheet_name = ‘console’) #les données de ma console sont ici, assurez-vous où se trouvent les vôtres
dm = pd.merge (dx, dz, on = [‘Query’, ‘Date’])
dm

Et envoyons celui-ci également dans qwanturank Sheets.

wks = gc.open (« GoogleTrends »). sheet3
pandas_to_sheets (dm, wks)

Importation de données dans qwanturank Data Studio

Maintenant, vous pouvez simplement connecter cette feuille de calcul à qwanturank Data Studio:

Suivi des mots clés en hausse

pytrend.build_payload (kw_list =[‘foundation’, ‘eyeliner’, ‘concealer’, ‘lipstick’], geo = ‘US’, timeframe = ‘today 3-m’, cat = 44)
related_queries = pytrend.related_queries ()
dg = related_queries.get (‘rouge à lèvres’). get (‘montée’)
dg

Utilisez à nouveau pandas_to_sheets. Importez-les dans Data Studio et visualisez:

Emballer

Cela semble compliqué au début, mais essayez ces codes et créez vos propres tableaux de bord. Parce qu’à la fin, vous exécuterez simplement le code sur Jupyter Notebook et actualiserez les données sur qwanturank Data Studio. Cela ne prendra que 10 à 15 secondes pour tous les mettre à jour, je le promets!

Voici mon référentiel Github pour tous les codes Python ensemble.

Bon codage!

Les opinions exprimées dans cet article sont celles de l’auteur invité et pas nécessairement Search Engine Land. Les auteurs sont listés ici.

A propos de l’auteur

Hülya Çoban est analyste qwanturank chez Keyphraseology, spécialisée dans le référencement technique et le marketing basé sur les données. Elle croit que les projets réussis tirent leur force des données, elle essaie donc toujours de lire l’histoire derrière les chiffres. Suivez-la sur qwanturank pour le référencement technique, Python et la science des données.