使用 Google Trends API 擷取搜尋趨勢並輸出 CSV 格式

一、教學目標

1. 知識目標：理解 Google Trends 的功能及其透過 API 提供搜尋趨勢數據的機制。
2. 技能目標：學會使用 pytrends 套件提取 LLM（大型語言模型）相關關鍵字的搜尋趨勢，並將資料輸出為 CSV 格式。
3. 態度目標：培養對資料分析與趨勢研究的興趣，並認識其在商業與科技領域的應用價值。

二、前置準備

適用對象

• 對象：高中生、大學生或對資料分析、Python 與 AI 趨勢有興趣的初學者。
• 先備知識：基礎 Python 知識（套件安裝、資料處理）。

所需軟硬體

1. 硬體：具備網路連線的電腦。
2. 軟體：
   • Python 3.x（建議搭配 Anaconda）。
   • Python 套件：pytrends、pandas。
   • 文字編輯器（如 VS Code 或 Jupyter Notebook）。
3. 其他：穩定的網路環境（Google Trends API 需要線上存取）。

教師準備

• 預先安裝 pytrends 並測試程式碼。
• 準備一份簡易安裝指南（PDF 或投影片）。
• 提供 LLM 相關背景資料（簡介 GPT-4、Llama 3 等模型）。

三、教學流程

時間分配：總計 90 分鐘

• 導入（10 分鐘）
• 環境設定與基本操作（20 分鐘）
• 搜尋趨勢數據實作（30 分鐘）
• 各國趨勢數據實作（20 分鐘）
• 總結與討論（10 分鐘）

1. 導入（10 分鐘）

活動：情境引導

• 教師提問：
  「你知道現在最熱門的 AI 模型是什麼嗎？如何用數據證明它的熱度？」
• 簡介 Google Trends：
  • 什麼是 Google Trends？（免費工具，顯示關鍵字搜尋熱度）。
  • 介紹 pytrends 套件如何透過 API 提取資料。
• 目標導引：
  「今天我們將學習如何用 Python 抓取 LLM（如 GPT-4、Claude 3）的搜尋趨勢，並存成 CSV，幫助你分析 AI 熱度！」

2. 環境設定與基本操作（20 分鐘）

講解（10 分鐘）

• 安裝 pytrends：
  • 展示指令：

    pip install pytrends
    

  • 檢查安裝：import pytrends（無錯誤即成功）。
• 基本概念：
  • TrendReq：初始化 Google Trends API。
  • 參數說明：timeframe（時間範圍）、geo（地區）。

實作活動（10 分鐘）

• 學生任務：
  1. 安裝 pytrends。
  2. 測試簡單程式碼：

from pytrends.request import TrendReq
pytrends = TrendReq(hl="en-US", tz=360)
print("成功連接到 Google Trends API！")

• 成果檢查：確認程式運行無誤並顯示成功訊息。

3. 搜尋趨勢數據實作（30 分鐘）

講解（10 分鐘）

• 程式碼說明：
  • build_payload：設定關鍵字與搜尋條件。
  • interest_over_time()：獲取時間序列數據。
  • to_csv()：輸出為 CSV。
• 展示範例：以 LLM 關鍵字（如 GPT-4）展示結果。

實作活動（20 分鐘）

• 學生任務：
  1. 執行以下程式碼，獲取近 30 天 LLM 搜尋趨勢：

from pytrends.request import TrendReq
import pandas as pd

# 初始化 API
pytrends = TrendReq(hl="en-US", tz=360)

# 定義關鍵字
keywords = ["GPT-4", "Llama 3", "Gemini AI", "Claude 3", "Mistral AI"]

# 設定搜尋條件
pytrends.build_payload(kw_list=keywords, timeframe="now 30-d", geo="US")

# 獲取趨勢數據
trend_data = pytrends.interest_over_time()
trend_data = trend_data.drop(columns=["isPartial"])

# 輸出 CSV
csv_filename = "llm_trends.csv"
trend_data.to_csv(csv_filename)

print(f"已成功儲存 LLM 搜尋趨勢數據至 {csv_filename}")
print(trend_data.head())

2. 修改 geo="US" 為 "TW"（台灣）或 ""（全球），重新運行並比較結果。

• 成果檢查：打開 llm_trends.csv，確認包含日期與關鍵字搜尋熱度。

4. 各國趨勢數據實作（20 分鐘）

講解（10 分鐘）

• 介紹 interest_by_region()：
  • 用途：比較不同地區的搜尋熱度。
  • 數據結構：以國家為單位顯示熱度。
• 展示範例：顯示 LLM 在美國與台灣的搜尋差異。

實作活動（10 分鐘）

• 學生任務：
  1. 執行以下程式碼，獲取各國 LLM 搜尋趨勢：

# 取得各國趨勢數據
region_trends = pytrends.interest_by_region()

# 輸出 CSV
csv_filename = "llm_trends_by_country.csv"
region_trends.to_csv(csv_filename)

print(f"已成功儲存各國 LLM 搜尋趨勢數據至 {csv_filename}")
print(region_trends.head())

2. 檢查 llm_trends_by_country.csv，找出搜尋熱度前 5 名的國家。

• 成果檢查：確認 CSV 包含國家名稱與各關鍵字的熱度。

5. 總結與討論（10 分鐘）

• 教師總結：
  • interest_over_time() 適合分析時間趨勢。
  • interest_by_region() 適合比較地區差異。
  • 數據用途：市場分析、SEO、技術趨勢研究。
• 學生討論：
  • 「哪個 LLM 在你選擇的地區最熱門？為什麼？」
  • 「這些數據能用來解決什麼實際問題？」

四、評量方式

1. 實作成果（70%）：
   • 成功生成 llm_trends.csv（時間趨勢）。
   • 成功生成 llm_trends_by_country.csv（地區趨勢）。
2. 參與討論（30%）：
   • 在總結時分享觀察或提出問題。

五、延伸應用

1. 進階挑戰：
   • 修改 keywords，加入其他 AI 技術（如 “Quantum Computing”）。
   • 使用 timeframe="2023-01-01 2023-12-31"，分析 2023 全年趨勢。
   • 將 CSV 匯入 Excel 或 Tableau，製作視覺化圖表。
2. 實務專案：
   • 分析不同國家的 AI 教育熱度（如搜尋 “AI Course”）。
   • 研究某產品（如 “ChatGPT”）的全球市場接受度。

六、教學資源

• 參考連結：
  • Google Trends
  • Pytrends GitHub
• 附件：
  • 程式碼檔案（.py 格式）。
  • LLM 背景簡介（PDF）。