做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。
别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。
我先来介绍一下这些东西怎么用，文末抱走。
（1）Python所有方向的学习路线（新版）
这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
最近我才对这些路线做了一下新的更新，知识体系更全面了。
（2）Python学习视频
包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。
（3）100多个练手项目
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。
（4）200多本电子书
这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。
基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。
（5）Python知识点汇总
知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。
（6）其他资料
还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。
这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
return pd.concat([pv,uv], axis = 1).reset_index()
pvuv_daily = cal_pvuv(‘date’) # 得到按日期聚合的pv和uv数据
pvuv_daily.plot(x = ‘date’, secondary_y = ‘uv’, grid = True, figsize =(10, 5))
从图可以看出pv和uv整体变化趋势相同，11月25日到12月1日之间，uv变化不明显，pv在11月26日达到小高峰，与当天刚好是周六放假密切相关。从12月1日周四开始，pv和uv涨幅明显，12月2日和12月3日与上周相比较，环比增长率31.4%，uv环比增长率35.7%，可见本次活动宣传和引流效果不错，对实际销售情况的影响将在下个模块分析。
接下来按照小时去分析用户的行为习惯：
pvuv_hour = cal_pvuv(‘hour’)
pvuv_hour.plot(x = ‘hour’, secondary_y = ‘uv’, grid = True, figsize = (10, 5),
xticks = [x for x in range(24)], title = ‘pvuv_hour’)
从上图可以看出用户的活跃时间从上午10点持续到晚上10点，尤其是从下午6点开始呈现明显上升趋势，到晚上九点左右达到峰值，这符合大多数人的日常作息规律。由此可以建议店铺调整客服工作时间，增加下午6点到晚上10点的客服数量，促使用户从浏览向购买转换。
**4.1.2 平均访问深度和跳失率**
计算总用户数量
uv_count = len(data.user_id.unique())
计算总的页面浏览数量
pv_count = data[data.behavior_type == ‘pv’].shape[0]
计算平均访问深度
print(‘Average access depth is %.1f’ % (pv_count / uv_count))
计算每个用户浏览的页面数
pv_count_perUser = data[data[‘behavior_type’] == ‘pv’].groupby(‘user_id’)[‘behavior_type’]
.count().reset_index().rename(columns = {‘behavior_type’:‘pv_count’})
计算只浏览过一次界面的用户数量
bounce_user_count = pv_count_perUser[pv_count_perUser[‘pv_count’] == 1].shape[0]
print('Bounce Rate is %.3f%% ’ % (100 * (bounce_user_count / uv_count))
可以得到用户的平均访问深度为**90.8**，也就是说在11月25到12月3日9天内平均每个用户每天要访问10个界面，可见淘宝用户粘度很高。
按照流失率=只浏览一次界面/总用户计算的话，发现流失人数只有679人，Bounce Rate 是 **0.069%** 左右，所以平台整体流失率是相当低的。我觉得可以考虑将只有浏览记录再无其他行为的用户视为流失用户，分析此类人群的跳失原因。
之后可以细分到各个商品种类以及各个商品，计算其用户跳失率并采取相应的措施。
**4.1.3 用户转化情况**
接下来分析用户从浏览到最后下单的转化情况，首先先了解一下用户浏览、收藏、加购物车和购买行为的整体分布趋势。
pv_detail = data.groupby([‘behavior_type’,‘hour’])[‘user_id’].count().reset_index().rename(columns={‘user_id’:‘total_behavior’})
fig, axes = plt.subplots(2, 1, figsize = (10,8), sharex = True)
sns.pointplot(x = ‘hour’,y = ‘total_behavior’, hue = ‘behavior_type’, data = pv_detail, ax = axes[0])
sns.pointplot(x = ‘hour’,y = ‘total_behavior’, hue = ‘behavior_type’, data = pv_detail[pv_detail.behavior_type!=‘pv’], ax = axes[1])
axes[0].set_title(‘different_behavior_count’)
axes[0].grid()
axes[1].set_title(‘different_behavior_count_exceptpv’)
axes[1].grid()
四种用户行为的波动情况基本一致，其中浏览页面pv数远大于其他三项，用户加购物车、收藏和购买数依次降低，可以通过漏斗模型整体分析用户转化情况。
从浏览到加入购物车的转换率为6.25%，收藏商品的转换率为3.26%，最后购买的转换率为2.23%左右。
**4.1.4 用户行为路径分析**
因为数据中用户行为分为四类，按照浏览在前，购买最后的话，一共有16种组合，利用桑基图分析如下所示：
一般认为购买之前必须得先浏览，因为所给数据是截取给定时间内的，所以会存在上图下方unpv的情况。现在只考虑最后产生购买行为的情况，用户从浏览到最后购买其实只有（1）浏览-购买、（2）浏览-加购物车-购买、（3）浏览-收藏-购买、（4）浏览-加购物车-收藏-购买（浏览-收藏-加购物车-购买）等四种情况，再次利用桑基图分析如下：
由上图可知，大多数购买行为发生在浏览之后，并没有加购物车、收藏等行为。
**4.1.5 用户留存分析**
下面计算本数据中的用户留存：
计算n日留存率
def cal_retention(n = 1):
# 用于记录出现过的user\_id
user_list = []
# 取最后一天的前N天
cal_date = pd.Series(data['date'].unique()).sort_values()[:-n]
# 用于存储最后留存率结果
retention_rates = []
for to_date in cal_date:
# 通过与已经有记录的用户列表的集合对比，识别新用户
new_user_list = set(data[data['date'] == to_date]['user\_id']) - set(user_list)
# 用于存储最后留存率结果
user_list.extend(new_user_list)
# 第n天留存情况
user_ndate = data[data['date'] == to_date + timedelta(n)]['user\_id'].unique()
retention_cnt = 0
for user_id in user_ndate:
if user_id in new_user_list:
retention_cnt += 1
retention_rate = retention_cnt / len(new_user_list)
# 汇总N日留存数据
retention_rates.append(retention_rate)
u_retention = pd.Series(retention_rates, index = cal_date)
return u_retention
将每日的留存率聚合后如下图所示：
可视化后如下：
因为所给数据是截取的部分数据，这里暂认为11月25日所有的登录用户都是新用户，所以11月25日的用户留存率最高。从之前的PV和UV分析可推测平台从12月1日开始搞活动，进而吸引用户登录，所以11月30日和12月1日用户留存率增加。
**（二）用户消费习惯分析**
**4.2.1 用户付费率PUR（Paying User Rate）**
根据用户付费率 = 有购买记录的用户 / 活跃用户计算：
分析用户付费率
paying_user_count = data[data.behavior_type == ‘buy’].user_id.unique().shape[0]
print(‘Paying user Rate is %.2f%%’ % ( 100 * paying_user_count / uv_count))
得到用户付费率为67.94%，淘宝用户付费率还是比较高的。
**4.2.2 用户购买次数**
根据总购买次数 / 总付费用户可得到付费用户平均消费次数为3次，下面进一步分析各购买次数的用户分布：
由上图可知，购买次数为1次的用户数量最多，大约有88%的用户购买次数在5次以内，购买次数在10次以内的用户占总付费用户的98%。
**4.2.3 用户复购率**
根据用户复购率 = 多次购买用户数 / 总付费用户计算：
#每个付费用户的购买次数
peruser_paying_count = data[data[‘behavior_type’] == ‘buy’].groupby(‘user_id’).count()[‘behavior_type’]
.reset_index().rename(columns={‘behavior_type’:‘paying_count’})
复购用户数量 通过筛选支付次数>=2
paying_retention_user_count = peruser_paying_count[peruser_paying_count[‘paying_count’] >= 2][‘user_id’].count()
print(‘Buyer Retention Rate %.2f%%’ % (100 * paying_retention_user_count / paying_user_count))
可得用户复购率为66.01%。还可以计算用户复购的间隔时间：
buyer_retention_diff = data[data.type == ‘buy’].groupby(‘user_id’).date.apply(lambda x: x.sort_values().diff(1).dropna())
buyer_retention_diff = buyer_retention_diff.map(lambda x: x.days)
buyer_retention_diff.describe()
箱线图表示不太明显，根据describe()返回值分析，用户复购平均间隔1.2天，有超过50%的用户在同一天内产生多笔交易。
**4.2.4 商品大类销售分析**
分析商品浏览TopN和商品销售TopN的数据：
定义计算销售/浏览TopN的函数
def cal_topN (index, behavior_type, n):
# 创建透视表
topN = pd.pivot_table(data, index = index, values = ‘user_id’, columns = ‘behavior_type’, fill_value=0,
aggfunc=‘count’, margins = True).sort_values(by = behavior_type, ascending = False).fillna(0).head(n)
topN[‘paying_rate’] = topN.apply(lambda x: x.buy / x.pv, axis = 1).apply(lambda x: format(x, ‘.2%’))
topN = topN[[‘pv’,‘buy’,‘paying_rate’]]
return topN
分别查看商品浏览量前10和商品销售量前10：
计算商品大类浏览量前10
category_pv_topN = cal_topN(‘category_id’, ‘pv’, 10)
计算商品大类购买量前10
category_buy_topN = cal_topN(‘category_id’, ‘buy’, 10)
针对支付率较高的商品应该分析其原因，思考是否能拓展到其他商品上去。
进一步查看购买量前10和浏览量前10的交集：
查看购买量和浏览量前10的交集
category_pv_buy_topN = pd.merge(category_pv_topN, category_buy_topN,
on = ‘category_id’, how =‘inner’)
由上图可知存在部分商品浏览量高但购买量较低，应进一步分析原因。
此部分只对商品大类进行分析，可以套用此代码，将‘categoryid’换为‘item\_id’进一步分析具体商品销售情况。
**4.2.5 商品大类行为分析**
即针对所有产生购买行为的商品种类，分析其从浏览到最后购买发生的行为数量和最终购买量的关系。
筛选出产生购买行为的数据
data_buy = data[data[‘behavior_type’] == ‘buy’]
计算各种商品大类的交易数
buy_category = data_buy[[‘category_id’,‘behavior_type’]].groupby(‘category_id’)
.count().rename(columns = {‘behavior_type’:‘buy_count’})
整理各种商品大类的交易数
buy_category = buy_category.sort_values(‘buy_count’,ascending=False).reset_index()
将产生购买行为的数据和原数据外连接，进而得到有购买记录的商品大类的其他行为信息
behav_category = pd.merge(data_buy[[‘user_id’,‘category_id’]], data,
on = [‘user_id’,‘category_id’], how = ‘left’)
计算各种商品大类的行为数
behav_category = behav_category[[‘category_id’, ‘behavior_type’]].groupby(‘category_id’).count()
.reset_index().rename(columns={‘behavior_type’:‘behavior_count’})
统计分析各种商品大类的购买数和产生行为数
buy_behav_category = pd.merge(buy_category, behav_category, on = ‘category_id’, how = ‘inner’)
buy_behav_category = buy_behav_category.assign(behav_per_buy = buy_behav_category[‘behavior_count’] / buy_behav_category[‘buy_count’])
可视化后如下：
由上图可知，大部分购买行为平均只会产生20次以内的行为，可以据此对商品初步分类，以实施不同的运营策略。
* 购买量大、行为数多（上图右上部分）：推测该区域商品是快销产品或高频刚需物品，不仅销量大而且可选择品牌众多，如食品、日用品、护肤品和衣物服装等。平台可以据此将该商品类别建立专区，可以同时浏览查看该类别下的诸多产品，减少用户的多次搜索，提升用户体验度
* 购买量大、行为数少（上图左上部分）：推测该区域商品主要为高频产品，行为数少说明可能品牌种类少、被少数品牌垄断，或者是用户对某品牌建立了一定的依赖度等等。此类区域的商品，用户决策相对会轻松，因此应着重快速让用户触达商品，可以优先展示用户购买过的品牌等。
* 购买量小、行为数少（上图左下部分）：大多数商品大类都集中分布在这个区域，应该针对具体类别具体分析。
* 购买量小、行为数多（上图右下部分）：推测该区域商品低频或者商品贵重，用户需要货比三家、再三考虑后下单，对此可以改善商品的介绍方式，如现在的品牌直播，让用户更快速、直观的了解商品。
**4.2.6 商品关联性分析**
之后准备做专题分析，这里先占个坑…
**（三）用户价值分析**
这里利用RFM模型去分析用户价值，以便针对不同用户采取不同措施。RFM模型的概念如下：
* R（Recency）：客户最近一次交易时间的间隔。R值越大，表示客户交易发生的日期越久，反之则表示客户交易发生的日期越近。
* F（Frequency）：客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。
* M（Monetary）：客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。
由于所给数据集不包含用户购买金额，所以只考虑最近消费时间R和购买频率F，将客户分为有价值的客户、保持客户、发展客户和挽留客户。
1 R: 最近一次消费距今天数统计
nowDate = datetime.datetime(2017,12,4) # 假定当前时间为（2017，12，4）
user_recent_pay = data[data[‘behavior_type’] == ‘buy’].groupby(‘user_id’)[‘date’]
.apply(lambda x: nowDate - x.sort_values().iloc[-1])
user_recent_pay = user_recent_pay.reset_index().rename(columns={‘date’:‘recent’})
2 F: 消费次数统计
user_freq = data[data[‘behavior_type’] == ‘buy’].groupby(‘user_id’).date.count()
user_freq = user_freq.reset_index().rename(columns={‘date’:‘freq’})
3 通过user_id将R、F合并
rfm = pd.merge(user_recent_pay, user_freq, left_on=‘user_id’, right_on=‘user_id’)
4 给R、F打分score
rfm[‘score_recent’] = pd.qcut(rfm[‘recent’], 2, labels = [‘1’, ‘0’])
rfm[‘score_freq’] = pd.qcut(rfm[‘freq’], 2, labels = [‘0’, ‘1’])
5 得分拼接
rfm[‘rfm’] = rfm[‘score_recent’].str.cat(rfm[‘score_freq’])
6 根据RFM分类
rfm = rfm.assign(user_type = rfm[‘rfm’]
.map({‘11’:‘重要客户’, ‘01’:‘保持客户’, ‘10’:‘发展客户’, ‘00’:‘挽留客户’}))
可视化后如下图所示：
由上图可知重要客户和发展客户比例相当，各占总用户的三分之一左右，挽留客户最少。
### 五、总结与建议
>
> 总结分析的结论并提出一些建议
>
>
>
**5.1 用户行为分析**
* 12月2日12月3日相较于其他日期用户活跃度、各指标增长明显。与同样是周末的11月25日、11月26日pv环比增长率31.4%，uv环比增长率35.7%，推测是12月2日周五平台开始双十二预热活动或其他活动所致。
* 用户的活跃时间从10:00持续到晚上22:00，其中5:00-10:00和18:00-21:00是用户活跃度迅速增长的时段。21:00点左右达到一天峰值，这符合大多数人的日常作息规律，由此可以建议店铺调整客服工作时间，增加18:00-22:00点的客服数量，提升用户的购买率。仔细观察的话，可以发现10:00和15:00分别达到了一个小高峰，所以可以在这两个时间段开始推广活动等。
* 针对用户路径：
①浏览—购买路径占比高达72.2%，转化率为1.39%。可以分析访问量高的商品，吸引用户将其收藏、加购物车，以提高后续转化率等。
②浏览—加购物车—购买路径占比19.9%，转化率为10.0%，一般为提前加入购物车或者多件商品共同购买。此路径转化率较高，可以分析最后成交商品在用户加入购物车后的状态，是自身降价还是参与活动促销等；还可以根据同一订单内的商品分析其联系，作为商品推荐的一个参考依据。
③浏览—收藏—购买路径占比6.9%，转化率为8%。可以在收藏界面添加商品动态，或者向用户推送商品补货信息，提高商品转化率。
④浏览—加购—收藏—购买路径占比1%，转化率为14.9%。既加购又收藏可说明此类商品比较受用户欢迎，可以挖掘商品共性，扩大其他相似产品的曝光度。
**5.2 用户消费分析**
* 用户付费率达到67.94%，所有用户平均消费次数为2次。
* 针对付费用户来看，用户平均消费次数为3次，其中购买次数为1次的用户数量最多，大约有88%的用户购买次数在5次以内，购买次数在10次以内的用户占总付费用户的98%。
* 用户复购率为66%，用户复购平均间隔1.2天，有超过50%的用户在同一天内产生多笔交易。
* 通过比对商品大类浏览top10和商品大类销售top10可知，存在某些商品浏览量高但成交量相对较低，对此应该分析用户流失原因，对症下药；对于成交量高但浏览量相对较低的商品，是否应该考虑增加商品的曝光率等等。
* 观察得知商品大类4159072和1464116商品转换率较高，分别达到了10%和5%以上，应该进一步分析这些商品成交率高的原因，是否能推广到其它商品。
* 在不同日期的不同时间点，商品销量具有不同的表现，可进一步对商品按照时间维度进行挖掘分析，更加精准地投放商品广告。
* 商品发生购买前产生的用户行为在100次之内，可以进一步简化用户的购买流程，提升用户体验。
**5.3 用户价值分析**
此部分将用户分为四个维度，针对不同维度的用户应当采取不同的运营策略：
* 针对重要客户（近期有付费且经常付费），即忠实用户，他们可能不需要额外的刺激消费，可以关注其售后体验等，提升用户的消费满意度；
* 针对保持客户（经常付费但是已经在很久之前了），曾经的忠实用户面临流失的风险，对其可以进行适当的提醒，如消息推送，还可以了解其离开的原因，以采取相应措施。
* 针对发展客户（近期有付费但是次数很少，或者只有一次付费），即新用户或者黏性较低的用户，我们的目标是刺激他们消费，可以通过开展促销活动等措施。
* 针对挽留客户（很少付费而且在很久之前），即流失用户，需要挽回并刺激其消费。从另一方面来看，可以尝试寻找用户流失的原因，通过反馈来调整我们的产品。
### 最后
**在学习python中有任何困难不懂的可以微信扫描下方CSDN官方认证二维码加入python交流学习
多多交流问题，互帮互助，这里有不错的学习教程和开发工具。**
**一、Python所有方向的学习路线**
Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。
**二、Python必备开发工具**
工具都帮大家整理好了，安装就可直接上手！
**三、最新Python学习笔记**
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
**四、Python视频合集**
观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
**五、实战案例**
纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
**六、面试宝典**
###### **简历模板**
**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**
**[需要这份系统化学习资料的朋友，可以戳这里获取](https://bbs.csdn.net/forums/4304bb5a486d4c3ab8389e65ecb71ac0)**
**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
1231
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
