数据分析项目-英国礼品商城数据分析

Kaggle: UK E-Commerce 用户行为分析

项目概览

• 数据背景:
  此次项目数据来自Kaggle，是英国零售商的实际交易数据，包含了2010年12月1日至2011年12月9日在英国注册的非实体网上零售发生的所有交易。公司主要销售独特的全天候礼品。该公司的许多客户都是批发商。

• 分析目的:
  采用RFM模型，从用户、地区和时间等维度分析用户行为并提出优化建议。

理解数据

将下载好的数据导入数据库中，得到一个542K x 8 的数据集，列属性分别为：

• InvoiceNo --> 订单号码： 6位字符串
• StockCode --> 产品代码： 6位字符串
• Description --> 产品描述
• Quantity --> 产品数量：交易产品数量
• InvoiceDate --> 订单日期：订单发生的日期和时间
• UnitPrice --> 单价：浮点数值
• CustomerID --> 顾客ID：5位字符串
• Country --> 国家：客户所在地

数据预处理

观察数据集

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 541909 entries, 0 to 541908
Data columns (total 8 columns):
InvoiceNo      541909 non-null object
StockCode      541909 non-null object
Description    540455 non-null object
Quantity       541909 non-null int64
InvoiceDate    541909 non-null object
UnitPrice      541909 non-null float64
CustomerID     406829 non-null float64
Country        541909 non-null object
dtypes: float64(2), int64(1), object(5)
memory usage: 33.1+ MB

df.head()

df.describe()

修改一下 InvoiceDate 的日期显示类型，然后先增加一列日期

df['InvoiceDate']=pd.to_datetime(df.InvoiceDate,format='%m/%d/%Y %H:%M')
df['Date']=df['InvoiceDate'].dt.date

检查，处理空值

检查空值

df.isnull().sum()

显示空值行

df[df.isnull().T.any()]

统计不同列的缺失率
描述和客户ID有缺失，而且确实的比例比较高。

df.apply(lambda x :sum(x.isnull())/len(x),axis=0)

删除不用的数据

df.drop(['Description'],axis=1,inplace=True)
df.head()

标记缺失值

df['CustomerID'] = df['CustomerID'].fillna('U')

新增加一列用以表示每笔订单的金额

df['amount'] = df['Quantity']*df['UnitPrice']
df.head()

去重

df = df.drop_duplicates()

再看一下UnitPrice小于0的情况，即退款的订单

df2=df[df['UnitPrice']<=0]
df2.shape[0]/df.shape[0]

再看一下有效订单，这里排除了金额小于等于0的订单，即退货情况和赠品(我认为单价为0应该是赠品吧)

df1=df[(df['Quantity']>0) & (df['UnitPrice']>0)]
df1

RFM模型分析

DATE一列已经被创造出来，且我们保存了原来的InvoiceDate 方便之后进行对照，RFM的定义不再赘述，下面是针对该实验的每个参数的实现方法：
R：最近的一次的消费。我们采用最后一天（max）作为“今天”减去每位顾客最后一次消费的时间
F： 每位顾客购买的频次
M：每位顾客购买的销量总额: unitprice*quantity

R_value=df1.groupby('CustomerID')['Date'].max()
R_value

R_value = (df1['Date'].max() - R_value).dt.days
R_value