一、数据集概述
今天我们来看一个来着阿里云天池的数据集:淘宝母婴购物数据,有两个csv文件:
1、mum_baby.csv
它包含了953个孩子的生日和性别信息，这些信息是由淘宝或天猫的消费者提供的。
| 列 | 描述 |
|---|---|
| user_id | 用户 ID (Bigint). |
| birthday | Children’s birthday (e.g. 20130423). |
| gender | Children’s gender (“0” 女, “1” 男, “2” 未知). |
2、mum_baby_trade_history.csv
该表包含29971条淘宝用户的历史交易信息。
| 列 | 描述 |
|---|---|
| ID (Bigint). | |
| user_id | 用户ID (Bigint). |
| auction_id | 购买行为编号ID (Bigint). |
| cat_id | Category ID (Bigint). 类别ID |
| cat1 | Root category ID (Bigint). 根类别ID |
| property | Property of the corresponding item (String). 对应项的属性 |
| buy_mount | Purchase quantity (Bigint). 采购量 |
| day | Timestamp. |
3、分析方向
1.什么商品类别销量最佳？
2.用户为之购买商品的婴儿年龄、性别分布？
3.销量与月份关系?
4.用户复购情况?
二、数据预处理
以时间段较长的奶粉为例.
对配方奶粉的分段，主要是根据国际食品法典委员会制定的cac来进行划分。
婴幼儿奶粉现在大范围上基本分为一段、二段、三段，部分婴幼儿奶粉可能会分为四段、五段。
奶粉分段及适用年龄：
第1段婴幼儿奶粉适合0~6个月的宝宝；
第2段婴幼儿奶粉适合6~12个月的宝宝；
第3段婴幼儿奶粉适合1周岁~3周岁的宝宝；
第4段奶粉适合3周岁~7周岁的孩子。
7周岁最多为365*7=2555天，那么对于天数大于2560天的天数视为无效数据，删除行。
import pandas as pd
mum_baby = pd.read_csv('.\data\mum_baby.csv')
trade_history = pd.read_csv('.\data\mum_baby_trade_history.csv')
# 计算订单产生时小孩的天数
# 匹配mum_baby中user_id对应的trade_history的user_id
tample = mum_baby.merge(trade_history, how="left", on='user_id').fillna(0)
tample['birthday'] = pd.to_datetime(tample['birthday'].astype(str))
tample['day'] = pd.to_datetime(tample['day'].astype(str))
age_days = tample['day'] - tample['birthday']
tample.loc[:, 'age_days'] = age_days # 计算订单产生时小孩的天数
print(tample.age_days)
# 把age_days 只保留数字部分
j = 0
for i in age_days:
tample.loc[j, 'age_days'] = i.days
# tample['age_days'][j] = i.days 警告：SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame
j += 1
# age_days为object类型 要改为int类型 不然describe无法统计年龄天数的最值
tample.age_days = pd.DataFrame(tample.age_days, dtype=int)
# tample.describe().to_excel(r'.\result\describe.xlsx')
# 对于age的天数负数以及最大天数为10326天、购买数量最大值达到160天，可以做处理，也可以认为是正常数据不做处理
tample[tample['age_days'] > 2560].sort_values('age_days').to_excel(r'.\data\age_days_gt7year.xlsx')
tample[tample['age_days'] < 0].sort_values('age_days').to_excel(r'.\data\age_days_lt0year.xlsx')
# print(tample[tample['age_days'] < 0].describe())
# 一般认为怀孕了再准备母婴用品会比较常见 这里 我们就以-300天以上为正常 去掉低于-300天的购买数据
# print(tample[tample['age_days'] > 2560]) #一共24行
# print(tample[tample['age_days'] < 0]) #143行
# print(tample[tample['age_days'] > 2560].index)
tample.drop(tample[tample['age_days'] > 2560].index, inplace=True) # 删除大于2560天的行 在原始对象上修改
tample.drop(tample[tample['age_days'] < -300].index, inplace=True) # 删除低于-300天的行
# 查看购买数量 七七八八的加起来50以内还算正常 达到160偏差有点不一般 还是删了吧
# tample.sort_values('buy_mount', ascending=False).to_csv(r'.\data\new_trade_history.csv')
tample.drop(tample[tample['buy_mount'] > 50].index, inplace=True)
print(tample.describe())
tample.to_csv(r'.\data\new_trade_history.csv')
三、数据可视化
0、导入包和数据
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
trade_history = pd.read_csv(r'.\data\new_trade_history.csv')
mum_baby_trade_history = pd.read_csv(r'.\data\mum_baby_trade_history.csv')
1、消费者行为分析
print(mum_baby_trade_history.groupby('cat1').sum()) # 查看根类别cat1 #[6 rows x 7 columns]
result1 = pd.pivot_table(mum_baby_trade_history, index='cat1', values='buy_mount', aggfunc=np.sum)
plt.figure(figsize=(7, 5))
plt.bar(x=['28', '38', '50008168', '50014815', '50022520', '122650008'],
height=result1['buy_mount'])
plt.title("cat1类别销量")
plt.show()
由图可知，商品编号为28的销量最高，而50014815次之，而122650008的销量最低，应对此现状提高或减少生产量或者加大宣传力度。
2、不同性别用户的销售情况
data = pd.pivot_table(trade_history, index='gender', values='buy_mount', aggfunc=np.sum)
print(data)
plt.figure(figsize=(5, 5))
plt.pie(['718', '544', '43'],
labels=['女', '男', '未知'],
colors=['r', 'b', 'g'],
autopct='%.2f%%')
plt.title("性别与购买数量的销售关系")
plt.show()
由图可知，婴幼儿为女孩的销售量较女孩更大一些，而未出生购买商品的用户占比很小，所以应该加大用户家婴幼儿是女孩的推广力度以及产品制造。
3、不同性别购买商品种类的关系
data = pd.pivot_table(trade_history, index='cat1',
columns='gender',
values='buy_mount',
aggfunc=np.sum)
plt.figure(figsize=(12, 5))
plt.subplot(221)
plt.bar(x=['28', '38', '50008168', '50014815', '50022520', '122650008'],
height=data[0], color='r')
plt.subplot(222)
plt.bar(x=['28', '38', '50008168', '50014815', '50022520', '122650008'],
height=data[1], color='b')
plt.subplot(223)
plt.bar(x=['28', '38', '50008168', '50014815', '50022520', '122650008'],
height=data[2], color='g')
plt.xlabel("商品种类")
plt.ylabel("销售数量")
plt.show()
4、销量与月份关系
mum_baby_trade_history["day"] = mum_baby_trade_history['day'].apply(lambda x:datetime.datetime.strptime(str(x),"%Y%m%d"))
mum_baby_trade_history['Month'] = mum_baby_trade_history.day.astype('datetime64[M]') # 设置成月份形式
print(mum_baby_trade_history)
data_month = mum_baby_trade_history.groupby('Month', as_index=False) # 按月份分类
data_month.buy_mount.sum() # 按月份汇总
df = data_month.buy_mount.sum() # 新建汇总列表
plt.figure(figsize=(20, 5))
plt.plot(df["Month"], df["buy_mount"])
plt.show()
分析波峰：在每年的10到11月份左右会有一个大波峰，每年的5月以及9月左右会有一个小波峰，在这段时间销量较同期会有一个明显的涨幅
推测1：节日因素，在5月有劳动节，母亲节；9月有中秋节；而是10月到11月左右有国庆节、万圣节、立冬、感恩节等节日，平台在这些节日可能绘有促销打折，这时随着价格降低需求量会增加，同时销售量也会增加。
推测2：双十一打折力度高，淘宝双十一是从2009年开始便存在的大型购物促销狂欢日，而又伴随着即将到来的春节假期，顾客可能进行囤货，结合两个因素导致需求量大幅上升，所以在11月前会出现一个大型的销量波峰。
结论：在5月与9月以及11月需要加大供货量，保证供需平衡。
分析波谷：每年的1月左右会出现一个明显的销量波谷，说明这段时间的销量较同期低。
推测：1月份正值春节，店铺休息，而开着的店铺肯定会抬高物价，而用户在11月进行囤货所以导致1月份的需求量减小，出现销量波谷。
结论：1月销量惨淡，需要考虑减少进货量的问题，适当降低物价拓宽销售渠道加大宣传力度。
5.用户复购率分析
data_du = mum_baby_trade_history[mum_baby_trade_history.duplicated('user_id')] # 查看复购数据
print(data_du.info())
<class 'pandas.core.frame.DataFrame'>
Int64Index: 27 entries, 6527 to 29192
Data columns (total 7 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 user_id 27 non-null int64
1 auction_id 27 non-null int64
2 cat_id 27 non-null int64
3 cat1 27 non-null int64
4 property 25 non-null object
5 buy_mount 27 non-null int64
6 day 27 non-null int64
dtypes: int64(6), object(1)
memory usage: 1.7+ KB
None
sale_fu = pd.pivot_table(data_du,index='cat1',values='buy_mount',aggfunc=np.sum)
print(sale_fu)
buy_mount
cat1
28 8
38 4
50008168 19
50014815 2
plt.figure(figsize=(5,5))
plt.bar(x=['50014815','38','28','50008168'],
height=['2','4','8','19'])
ax = plt.gca()
ax.set_xlabel("商品分类")
ax.set_ylabel("销量")
plt.show()
共29971条订单记录而复购率仅为0.09%，用户粘性差，可能由于多种原因共同导致，其中可能包括产品质量差，客服服务态度差，售后保障差等多种原因。商家必须要仔细查找更多原因来保证后续提高销售质量，提高用户的复购率。
height=[‘2’,‘4’,‘8’,‘19’])
ax = plt.gca()
ax.set_xlabel(“商品分类”)
ax.set_ylabel(“销量”)
plt.show()
[外链图片转存中...(img-q6KNOYAN-1661584155935)]
共29971条订单记录而复购率仅为0.09%，用户粘性差，可能由于多种原因共同导致，其中可能包括产品质量差，客服服务态度差，售后保障差等多种原因。商家必须要仔细查找更多原因来保证后续提高销售质量，提高用户的复购率。
扫一扫
5673
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
