幾多公司趁墟大灣區　阿里太太係乜水　數據挖掘只需5行程式

去年9月，前特首梁振英被揭發出任兩家新開公司的董事，卻未有申報，梁振英事後急解畫，指公司是非牟利，並且在事件被揭發4日後修改公司章程列明「非牟利」。其實，要發掘這類新聞，可以到政府的資料一線通，公司註冊處目前已提供2017年以來的新成立公司或改名公司名單，並且以Excel檔案的制式供下載。本文嘗試撰寫5行Python程式，便可以取得這些檔案並加以分析、挖掘有用資訊。

為何要使用Python？用Excel或Google Sheets當然也可以輕易做到簡單分析，但由於涉及的公司數目數以萬計，狂開數十張worksheets，速度上定有所拖慢，而且Python有龐大的程式庫，可以做諸如人工智能等深入分析，就算如下文所作的文字雲，亦很方便處理。

筆者首先以最新的7月9日至7月15日的數據作展示，首先到https://data.gov.hk/tc-data/dataset/hk-cr-crdata-list-newly-registered-companies，下載最新的新成立或改名公司名單，以下便是用於載入資料的code:

import pandas as pd

df = pd.read_excel('data/wk_new&changednamecoys__20180709.xls', skiprows=10)

df.columns = ['順序編號','current name','現時名稱','公司註冊編號','成立／註冊日期','改名日期']

第一行是載入用於處理資料的Python程序庫pandas，第二行是用pandas讀入所需的Excel檔案，並跳過頭10行的標題部份，再將資料輸入到df這個變數內，檔案路徑因人而異，筆者是把資料檔案放於data的folder內，第三行可有可無，純粹是給予每一列一個名稱，增加可讀性。在三行程序後，df的首5項內容為：

載入資料後，可使用 print(len(df)) 列印資料有多少行，得出3437，即該星期內的新公司或改名公司也有近三千家，數目可不少。接下來，是資料處理，例如我想知道有多少公司是以大灣區為名？可用以下兩行程式：

df_ans=df[df['現時名稱'].astype(str).str.contains('大灣區')]

print(df_ans)

第一行是在資料庫中的中文名稱一欄，找出含有「大灣區」的公司名稱，然後輸入另一變數df_ans以作顯示，由於df的變數類型是dataframe，它必須以astype(str)變為字串，才能以str.contain來搜尋。讀者也可以在之前加一行如 ask = input("想搜尋的字詞"），要求程式叫用戶輸入想搜尋的字詞。

結果是：

即是短短一周內便有4家大灣區公司成立，包括香港青年大灣區三業服務中心有限公司、中國大灣區(香港)實業有限公司、大灣區(中國)有限公司及粵港澳大灣區新文化研究會有限公司，這些公司的背後有否猛人坐鎮，都是可發掘的題材。

筆者再三嘗試下，又發現近期流行的「區塊鏈」亦商機處處，有9家名稱有區塊鏈的公司在一周內成立，部份名字如「加密爸爸區塊鏈科技有限公司」、「香港以太聖區塊鏈集團有限公司」相當有趣，究竟做的是什麼買賣耐人尋味。

若讀者想捕捉企業動向，亦可以一些大公司的名稱搜尋，例如以「阿里」搜索，便發現一家「阿里太太實業控股集團有限公司」，與阿里巴巴是否有關，便要再考究了。至於「小米」，則分別有一家「小米光學集團(香港)有限公司」及一家「中華小米啤酒集團有限公司」，是小米的新業務？

上述Python的5行程式，已可發掘不少資訊，但若想做較複雜的操作，例如以這些公司名稱的詞語出現頻率製作文字雲，原來亦不難。

不過，首先要再處理一下數據，將中文名稱一欄抽離數據庫，刪去當中標示為空（NaN）的行，並把欄名「現用中文公司名稱」及一些太普遍的詞語如「有限公司」及「香港」抽走，令文字雲不顯示這些用詞，相關程式如下：

df_name=df['現時名稱']     # 把中文名稱欄載入df_name 

df_name=df_name[~df_name.isnull()]     # 再清走沒有名稱的空行

df_name=df_name[~df_name.astype(str).str.contains('現用中文公司名稱')]   # 清走欄名

df_text=' '.join(df_name)    # 將每行名稱串成一字串，載入df_text內

df_text=df_text.replace('有限公司','')   # 再清走字串中的「有限公司」

df_text=df_text.replace('香港','')    # 清走「香港」

處理過後將是一串包含所有公司名稱的長字串，然後便可以作文字雲處理，相關程式如下：

import matplotlib.pyplot as plt

from wordcloud import WordCloud

import jieba

 

wordlist = jieba.cut(df_text, cut_all = True)

w_split = " ".join(wordlist)

co_wordcloud = WordCloud(font_path = "../fonts/雅黑.ttf", width=800, height=600).generate(w_split)

#處理繪圖部份

plt.figure(figsize=(30,20))

plt.imshow(co_wordcloud)

plt.axis("off")

plt.show()

首三行是載入相關程式庫，第四、五行則是把長字串中的詞語分割，並輸入到文字雲，記著要提供一個中文字庫的檔案（如上述程式中的雅黑.ttf），否則將無法顯示中文，然後便是繪圖的部份。結果如下：

讀者可發現生物科技的新公司也有不少，再用最初5行程式建立的搜尋器找找，發現原來有26家「生物科技」新公司，4家公司改名。不過，文字雲的顯示受制於其詞典庫，故有些較新的詞語可能未有更新，如「大灣區」、「區塊鏈」等字未見顯示在文字雲上，若希望加入，便要新建一個user.dict的檔案，其內容可以是：

一帶一路 4
大灣區 4

數目字是字的頻率，供jieba用來計算字詞出現的或然率，數字不用太大。然後在載入jieba時，加上這一句：

jieba.load_userdict("user.dict")

便可把這些自訂字詞加入到文字雲中。

以上只是處理一個星期的數據，若果要處理更長時間的數據又如何，Python是可以處理多個檔案的，只要把多個檔案存於同一個子目錄下，便可以一併輸入處理，相關程式是：

import glob

import pandas as pd

files=glob.glob("data/*.xls")

 

dfs = []

for num, fname in enumerate(files, start=1):

   print("File #{} | {}".format(num, fname))

   if len(fname) > 0:

       data = pd.read_excel(fname, header=None, skiprows=10)

       dfs.append(data)

df = pd.concat(dfs, ignore_index=True)

要處理多個檔案，要輸入glob的程式庫，然後指示其下載同一子目錄下的所有excel檔案，然後逐一讀入，最後再將多個資料庫串起。

筆者僅下載了5月底至7月15日不足兩個月的資料，已有2.5萬行數據，對Excel來說也是頗多，但Python處理也不過數秒，下載後便可以上述同樣的做法搜尋關鍵字及製作文字雲。如再以「大灣區」搜尋，便發現5月底至7月15日，已有26家公司以大灣區命名，較剛才提到的4家大增：

符合公司數目：26