用户消费行为分析

最新推荐文章于 2024-07-23 16:23:28 发布
最新推荐文章于 2024-07-23 16:23:28 发布
阅读量139 收藏 1
点赞数
文章标签： python 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/dodo2333333/article/details/132055458
版权

数据一览

数据字段：user_id,order_dt(购买日期)，order_products(购买 产品数量)，order_amount(购买金额)
数据时间：1997年1月~1998年6月用户行为数据，约6万条

调用数据和库

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime
%matplotlib inline 
#作用就是这样图象就会出现在Notebook里面，而不是一个新窗口里。在pycharm上要显示的话：就要加上一句plt.show()
plt.style.use('ggplot')#更改绘图风格，R语言绘图库的风格
plt.rcParams['font.sans-serif']=['SimHei']
columns=['user_id','order_dt','order_products','order_amount']
df=pd.read_table('CDNOW_master.txt',names=columns,sep='\s+')#sep='\s+'q匹配任意个空格
df.head()

运行结果：

user_idorder_dtorder_productsorder_amount
0119970101111.77
1219970112112.00
2219970112577.00
3319970102220.76
4319970330220.76

这里可以看出：
1.日期格式需要转换
2.存在同一个用户一天内购买多次行为

df.describe()

运行结果：

user_idorder_dtorder_productsorder_amount
count69659.0000006.965900e+0469659.00000069659.000000
mean11470.8545921.997228e+072.41004035.893648
std6819.9048483.837735e+032.33392436.281942
min1.0000001.997010e+071.0000000.000000
25%5506.0000001.997022e+071.00000014.490000
50%11410.0000001.997042e+072.00000025.980000
75%17273.0000001.997111e+073.00000043.700000
max23570.0000001.998063e+0799.0000001286.010000

 可以看出：

1.用户平均每笔订单购买2.4个商品，标准差2.3，稍微有点波动，属于正常。然而75%分位数的时候，说明绝大多数订单的购买量都不多，围绕在2~3个产品左右；

2.购买金额，反映出大部分订单消费金额集中在中小额，30~45左右
 

df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 69659 entries, 0 to 69658
Data columns (total 4 columns):
 #   Column          Non-Null Count  Dtype  
---  ------          --------------  -----  
 0   user_id         69659 non-null  int64  
 1   order_dt        69659 non-null  int64  
 2   order_products  69659 non-null  int64  
 3   order_amounts   69659 non-null  float64
dtypes: float64(1), int64(3)
memory usage: 2.1 MB

数据预处理

df['order_date']=pd.to_datetime(df['order_dt'],format='%Y%m%d')
"""
format参数：按照指定的格式去匹配要转换的数据列。
%Y:四位的年份1994   %m:两位月份05  %d:两位月份31  
%y：两位年份94  %h:两位小时09  %M：两位分钟15    %s:两位秒 
将order_dt转化成精度为月份的数据列
"""
df['month'] = df['order_date'].dt.to_period('M')#将日期转换为YYYY-MM
# 在这里卡了好久，astype('datetime64[M]')会报错
df.head()
# df.info()

运行结果：

user_idorder_dtorder_productsorder_amountorder_datemonth
0119970101111.771997-01-011997-01
1219970112112.001997-01-121997-01
2219970112577.001997-01-121997-01
3319970102220.761997-01-021997-01
4319970330220.761997-03-301997-03

用户整体消费趋势分析（按月份）

# 按月份统计产品购买数量，消费金额，消费次数，消费人数
plt.figure(figsize=(20,15))#单位为英寸
# 每月的产品购买数量
plt.subplot(221)#两行两列，占据第一个位置
df.groupby(by='month')['order_products'].sum().plot()
# 默认折线图
plt.title('每月的产品购买量')
# 每月的消费金额
plt.subplot(222)
df.groupby(by='month')['order_amount'].sum().plot()
plt.title('每月的消费金额')
# 每月的消费次数
plt.subplot(223)
df.groupby(by='month')['user_id'].count().plot()
plt.title('每月的消费次数')
# 每月的消费人数（根据user_id进行去重统计，再计算个数）
plt.subplot(224)
df.groupby(by='month')['user_id'].apply(lambda x:len(x.drop_duplicates())).plot()
# apply和map
plt.title('每月的消费人数')

运行结果：

Text(0.5, 1.0, '每月的消费人数')

分析结果：

  • 图一可以看出，前三个月销量非常高，而以后销量较为稳定，并且稍微呈现下降趋势
  • 图二可以看出,前三个月消费金额较高，与消费数量成正比例关系，三月份过后下降严重，并呈现下降趋势，思考原因？1：跟月份有关，在我国来1，2，3月份处于春节前后。2.公司在1，2，3，月份的时候是否加大了促销力度
  •  图三可以看出，前三个月订单数在10000左右，后续月份的平均消费单数在2500左右
  •  图四可以看出，前三个月消费人数在8000~10000左右，后续平均消费消费在2000不到的样子
  • 总结：所有数据显示，97年前三月消费事态异常，后续趋于常态化
     

用户个体消费分析

1.用户消费金额，消费次数(产品数量)描述统计
user_grouped = df.groupby('user_id').agg({'order_products': 'sum', 'order_amount': 'sum'})
# 这里也不能照搬视频原来的代码，会报错说日期格式无法求和，所以这里挑出了两个字段赋予聚合 方法
print(user_grouped.describe())
print('用户数量：',len(user_grouped))

运行结果：

       order_products  order_amount
count    23570.000000  23570.000000
mean         7.122656    106.080426
std         16.983531    240.925195
min          1.000000      0.000000
25%          1.000000     19.970000
50%          3.000000     43.395000
75%          7.000000    106.475000
max       1033.000000  13990.930000
用户数量： 23570
  • 从用户的角度：用户数量23570个，每个用户平均购买7个，但是中位数只有3，
  • 并且最大购买量为1033，平均值大于中位数，属于典型的右偏分布
  • 从消费金额角度：平均用户消费106，中位数43，并且存在土豪用户13990，结合分位数和最大值来看，平均数与75%分位数几乎相等，
  • 属于典型的右偏分布，说明存在小部分用户（后面的25%）高额消费
#绘制每个用户的产品的购买量与消费金额散点图
df.plot(kind='scatter',x='order_products',y="order_amount")

运行结果：

<Axes: xlabel='order_products', ylabel='order_amount'>

  • 从图中可知，用户的消费金额与购买量呈现线性趋势，每个商品均价15左右
  • 订单的极值点比较少（消费金额>1000，或者购买量大于60）,对于样本来说影响不大，可以忽略不记。
2.用户消费分布图
plt.figure(figsize=(12,4))
#figsize:指定figure的宽和高，单位为英寸；
plt.subplot(121)
plt.title('每个订单的消费金额')
df['order_amount'].plot(kind='hist',bins=50)
#hist直方图
#bins:区间分数，影响柱子的宽度，值越大柱子越细。宽度=（列最大值-最小值）/bins
#消费金额在100以内的订单占据了绝大多数
plt.subplot(122)
plt.title('每个uid购买的数量')
df.groupby(by='user_id')['order_products'].sum().plot(kind='hist',bins=50)

运行结果:

<Axes: title={'center': '每个uid购买的数量'}, ylabel='Frequency'>

  • 图二可知，每个用户购买数量非常小，集中在50以内
  • 两幅图得知，我们的用户主要是消费金额低，并且购买小于50的用户人数占据大多数（在电商领域是非常正常的现象）

3.用户累计消费金额占比分析（用户的贡献度）
#进行用户分组，取出消费金额，进行求和，排序，重置索引
user_cumsum=df.groupby(by='user_id')['order_amount'].sum().sort_values().reset_index()
 #修改、删除，原有索引reset
user_cumsum

运行结果：

user_idorder_amount
0101750.00
145590.00
219480.00
39250.00
4107980.00
.........
2356579316497.18
23566193396552.70
2356779836973.07
23568140488976.33
23569759213990.93

23570 rows × 2 columns

#每个用户消费金额累加
user_cumsum['amount_cumsum']=user_cumsum['order_amount'].cumsum()
user_cumsum.tail()

运行结果：

#消费金额总值
amount_total=user_cumsum['amount_cumsum'].max()
user_cumsum['prop']=user_cumsum.apply(lambda x:x['amount_cumsum']/amount_total,axis=1)
user_cumsum.tail()

 运行结果：

user_cumsum['prop'].plot()
<Axes: >

由图分析可知，前20000名用户贡献总金额的40%，剩余3500名用户贡献了60%。（2/8原则）

用户消费行为

1.首购时间
#用户分组，取最小值，即为首购时间
df.groupby(by='user_id')['order_date'].min().value_counts().plot()
# 查看 DataFrame 对象中每一列的唯一值和计数
<Axes: xlabel='order_date'>

由图可知，首次购买的用户量在1月1号~2月10号呈明显上升趋势，后续开始逐步下降，猜测：有可能是公司产品的推广力度或者价格调整所致

2.最后一次购买时间
df.groupby(by='user_id')['order_date'].max().value_counts().plot()

运行结果:

<Axes: xlabel='order_date'>

可以看出，大多数用户最后一次购买时间集中在前3个月，说明缺少忠诚用户。
随着时间的推移，最后一次购买商品的用户量呈现上升趋势，猜测：这份数据选择是的前三个月消费的用户在后面18个月的跟踪记录

用户分层

1.构建RFM模型
#透视表的使用（index:相当于groupby,values:取出的数据列，aggfunc:key值必须存在于values列中，并且必须跟随有效的聚合函数）
rfm=df.pivot_table(index='user_id',
                  values=['order_products','order_amount','order_date'],
                  aggfunc={
                      'order_date':"max",
                      "order_products":'sum',
                      'order_amount':'sum'
                  })
rfm.head()

运行结果：

order_amountorder_dateorder_products
user_id
111.771997-01-011
289.001997-01-126
3156.461998-05-2816
4100.501997-12-127
5385.611998-01-0329
# 用每个用户的最后一次购买时间-日期列中的最大值，最后再转换成天数，小数保留一位
rfm['R']=-(rfm['order_date']-rfm['order_date'].max())/np.timedelta64(1,'D')
 #取相差的天数，保留一位小数
# 这里为什么有斜杠?斜杠符号"/"在这个上下文中是用来实现日期的除法运算的，并将结果转换为天数
rfm.rename(columns={"order_products":'F','order_amount':'M'},inplace=True)
rfm.head()

运行结果:

Morder_dateFR
user_id
111.771997-01-011545.0
289.001997-01-126534.0
3156.461998-05-281633.0
4100.501997-12-127200.0
5385.611998-01-0329178.0

#RFM计算方式：每一列数据减去数据所在列的平均值，有正有负，根据结果值与1做比较，如果>=1,设置为1，否则0
# （这里为什么和1比较而不是直接和0）
def rfm_func(x):
 #x:分别代表每一列数据
    level=x.apply(lambda x:'1' if x>=1 else '0')
    label=level['R']+level['F']+level['M']
    d={'111':'重要价值客户',
        '011':'重要保持客户',
        '101':'重要发展客户',
        '001':'重要挽留客户',
        '110':'一般价值客户',
        '010':'一般保持客户',
        '100':'一般发展客户',
        '000':'一般挽留客户'}
# R是1表示已经很久未购买产品，0表示购买时间比平均购买时间接近最后购买时间，M,F水平为1表示客户购买的产品数量和产品总价较大
    result=d[label]
    return result
rfm['label']=rfm[['R','F','M']].apply(lambda x:x-x.mean()).apply(rfm_func,axis=1)
rfm.head()

运行结果：

Morder_dateFRlabel
user_id
111.771997-01-011545.0一般发展客户
289.001997-01-126534.0一般发展客户
3156.461998-05-281633.0重要保持客户
4100.501997-12-127200.0一般挽留客户
5385.611998-01-0329178.0重要保持客户

#客户分层可视化
for label,grouped in rfm.groupby(by='label'):
    x=grouped['F']#
    y=grouped['R']# 用每个用户的最后一次购买时间-日期列中的最大值，最后再转换成天数
    plt.scatter(x,y,label=label)
plt.legend()
plt.xlabel('F')
plt.ylabel('R')

 运行结果：

2.新老，活跃，回流用户分析

新用户的定义是第一次消费。 活跃用户即老客，在某一个时间窗口内有过消费。 不活跃用户则是时间窗口内没有消费过的老客。 回流用户：相当于回头客的意思。 用户回流的动作可以分为自主回流与人工回流，自主回流指玩家自己回流了，而人工回流则是人为参与导致的。

# index:相当于groupby,values:取出的数据列，aggfunc:key值必须存在于values列中，并且必须跟随有效的聚合函数
pivoted_counts=df.pivot_table(
    index='user_id',
    columns='month',
    values='order_dt',
    aggfunc='count',
).fillna(0)
pivoted_counts.head(
)

运行结果：

month1997-011997-021997-031997-041997-051997-061997-071997-081997-091997-101997-111997-121998-011998-021998-031998-041998-051998-06
user_id
11.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.0
22.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.0
31.00.01.01.00.00.00.00.00.00.02.00.00.00.00.00.01.00.0
42.00.00.00.00.00.00.01.00.00.00.01.00.00.00.00.00.00.0
52.01.00.01.01.01.01.00.01.00.00.02.01.00.00.00.00.00.0
# 由于浮点数不直观，并且需要转成是否消费过即可，用0、1表示
df_purchase=pivoted_counts.applymap(lambda x:1 if x>0 else 0)
# apply:作用于dataframe数据中的一行或者一列数据，
# applymap:作用于dataframe数据中的每一个元素
# map:本身是一个series的函数，在df结构中无法使用map函数，map函数作用于series中每一个元素
df_purchase .head()

运行结果：

month1997-011997-021997-031997-041997-051997-061997-071997-081997-091997-101997-111997-121998-011998-021998-031998-041998-051998-06
user_id
1100000000000000000
2100000000000000000
3101100000010000010
4100000010001000000
5110111101001100000
def active_status(data): #data：每一行数据（共18列）
    status=[]#存储用户状态（new|active|unactive|return|unreg）
    for i in range(18):#18个月
        if data[i]==0:#本月消费是否为0
            if len(status)==0: #前几个月没有任何记录
                status.append('unreg')
            else:
                if status[i-1]=='unreg':
                    status.append('unreg')
                else:
                    status.append('unactive')
        else:
            if len(status)==0:
                status.append('new')
            else:
                if status[i-1]=='unactive':
                    status.append('return')
                elif status[i-1]=='unreg':
                    status.append('new')
                else:
                    status.append('active')
    return pd.Series(status,df_purchase.columns)
purchase_states=df_purchase.apply(active_status,axis=1)
purchase_states.head()

运行结果：

month1997-011997-021997-031997-041997-051997-061997-071997-081997-091997-101997-111997-121998-011998-021998-031998-041998-051998-06
user_id
1newunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactive
2newunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactive
3newunactivereturnactiveunactiveunactiveunactiveunactiveunactiveunactivereturnunactiveunactiveunactiveunactiveunactivereturnunactive
4newunactiveunactiveunactiveunactiveunactiveunactivereturnunactiveunactiveunactivereturnunactiveunactiveunactiveunactiveunactiveunactive
5newactiveunactivereturnactiveactiveactiveunactivereturnunactiveunactivereturnactiveunactiveunactiveunactiveunactiveunactive
purchase_states_ct=purchase_states.replace('unreg',np.NaN).apply(lambda x:pd.value_counts(x))
#查看 DataFrame 对象中每一列的唯一值和计数
purchase_states_ct.head()

运行结果：

month1997-011997-021997-031997-041997-051997-061997-071997-081997-091997-101997-111997-121998-011998-021998-031998-041998-051998-06
activeNaN1157.016811773.0852.0747.0746.0604.0528.0532.0624.0632.0512.0472.0571.0518.0459.0446.0
new7846.08476.07248NaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
returnNaNNaN5951049.01362.01592.01434.01168.01211.01307.01404.01232.01025.01079.01489.0919.01029.01060.0
unactiveNaN6689.01404620748.021356.021231.021390.021798.021831.021731.021542.021706.022033.022019.021510.022133.022082.022064.0
purchase_states_ct.fillna(0).T.plot.area(figsize=(12,6))
#“.T”操作. 其实就是对一个矩阵的转置

运行结果:

  • 由图可知：灰色区域是不活跃用户，占比较大
  • 前三个月新用户，还是活跃用户呈现了上升趋势，猜测由于活动造成的影响
  • 3月份过后，紫色回流用户，红色活跃用户，都呈现下降趋势，并且趋于平稳状态
  • 3月份过后，新用户量几乎没有大量增加
#每月中回流用户占比情况（占所有用户的比例）
plt.figure(figsize=(12,6))
rate = purchase_states_ct.fillna(0).T.apply(lambda x:x/x.sum(),axis=1)
rate['return'].plot(label='return')
rate['active'].plot(label='active')
rate.head()

运行结果：

  • 由图可知，前3个月，活跃用户占比比较大，维持在7%左右，而回流用户比例在上升，由于new用户还没有足够时间变成回流用户
  • 4月份过后，不论是活跃用户，还是回流用户都呈现出下降趋势，但是回流用户依然高于活跃用户。
3.用户的购买周期
data1=pd.DataFrame({
    'a':[0,1,2,3,4,5],
    'b':[5,4,3,2,1,0]
})
#整体向下移动一个位置（默认值：axis=0）
data1.shift(axis=0)#整体向下移动一个位置（默认值：axis=0）
data1.shift(axis=1)

运行结果： 

 ab
0NaN0
1NaN1
2NaN2
3NaN3
4NaN4
5NaN5
#计算购买周期（购买日期的时间差值）

order_diff=df.groupby('user_id').apply(lambda x:x['order_date']-x['order_date'].shift())

order_diff.info()

#当前订单日期-上一次订单日期

order_diff.describe()

运行结果： 

<class 'pandas.core.series.Series'>
MultiIndex: 69659 entries, (1, 0) to (23570, 69658)
Series name: order_date
Non-Null Count  Dtype          
--------------  -----          
46089 non-null  timedelta64[ns]
dtypes: timedelta64[ns](1)
memory usage: 4.2 MB

count                         46089
mean     68 days 23:22:13.567662566
std      91 days 00:47:33.924168893
min                 0 days 00:00:00
25%                10 days 00:00:00
50%                31 days 00:00:00
75%                89 days 00:00:00
max               533 days 00:00:00
Name: order_date, dtype: object

(order_diff/np.timedelta64(1,'D')).hist(bins=20)

# 每个柱子的宽度=（最大值-最小值）/bins

运行结果： 

<Axes: >

  • 平均消费周期为68天
  • 大多数用户消费周期低于100天
  • 呈现典型的长尾分布，只有小部分用户消费周期在200天以上（不积极消费的用户），可以在这批用户消费后3天左右进行电话回访后者短信赠送优惠券等活动，增大消费频率
4.用户生命周期
#计算方式：用户最后一次购买日期(max)-第一次购买的日期(min)。如果差值==0，说明用户仅仅购买了一次
user_life=df.groupby('user_id')['order_date'].agg(['min','max'])
(user_life['max']==user_life['min']).value_counts().plot.pie(autopct='%1.1f%%')
'''
格式化成1位小数
plt.legend(['仅消费一次','多次消费'])
"%m.nf"
1 m:总宽度,包括小数点
2 n:小数部分位数
3 m>n+1, 也可以小于, 但编译结果会按实际数据输出
4 如果m过大, 会在左边补空格
'''
plt.legend(['消费一次','消费多次'])

运行结果： 

<matplotlib.legend.Legend at 0x26c04eece80>

(user_life['max']-user_life['min']).describe()

运行结果：

count                          23570
mean     134 days 20:55:36.987696224
std      180 days 13:46:43.039788104
min                  0 days 00:00:00
25%                  0 days 00:00:00
50%                  0 days 00:00:00
75%                294 days 00:00:00
max                544 days 00:00:00
dtype: object

生命周期分析：

  • 用户平均生命周期为134天，但是中位数==0，再次验证大多数用户消费了一次，低质量用户。
  • 75%分位数以后的用户，生命周期>294天，属于核心用户，需要着重维持。
4.绘制所有用户生命周期直方图+多次消费
plt.figure(figsize=(12,6))
plt.subplot(121)
((user_life['max']-user_life['min'])/np.timedelta64(1,'D')).hist(bins=15)
plt.title('所有用户生命周期直方图')
plt.xlabel('生命周期天数')
plt.ylabel('用户人数')

plt.subplot(122)
u_1=(user_life['max']-user_life['min']).reset_index()[0]/np.timedelta64(1,'D')
u_1[u_1>0].hist(bins=15)
plt.title('多次消费的用户生命周期直方图')
plt.xlabel('生命周期天数')
plt.ylabel('用户人数')

运行结果:

  • 对比可知，第二幅图过滤掉了生命周期==0的用户，呈现双峰结构
  • 二图中还有一部分用户的生命周期趋于0天，虽然进行了多次消费，但非长期用户，可针对性进行营销推广活动
  • 少部分用户生命周期集中在300~500天，属于忠诚客户，需要大力度维护此类客户

复购率和回购率分析

复购率分析
#计算方式：在自然月内，购买多次的用户在总消费人数中的占比（若客户在同一天消费了多次，也称之复购用户）
#消费者有三种：消费记录>=2次的；正在消费中人数；本月未消费用户；
#复购用户设为1    单次消费用户：0   本月没有消费记录的用户：NAN(不参与count计数)
purchase_r=pivoted_counts.applymap(lambda x:1 if x>1 else np.NaN if x==0 else 0)
purchase_r.head()
# purchase_r.sum() 每个月复购用户数
# purchase_r.count() 每个月消费用户数
(purchase_r.sum()/purchase_r.count()).plot(figsize=(12,6))

运行结果：

  • 前三个月复购率开始上升，后续趋于平稳维持在20%~22%之间。
  • 分析前三个月复购率低的原因，可能是因为大批新用户仅仅购买一次造成的
回购率分析
#计算方式：在一个时间窗口内进行了消费，在下一个窗口内又进行了消费
#1:回购用户   0：非回购用户（当前月消费了，下个未消费）   NaN:当前月份未消费
def purchase_back(data):
    status=[]#存储用户回购率状态
    for i in range(17):
        if data[i]==1:
            if data[i+1]==1:
                status.append(1)
            elif data [i+1]==0:
                status.append(0)
        else:
            status.append(np.NaN)#这里为什么要设为np.nan
    status.append(np.NaN)#填充最后一列数据
    return pd.Series(status,df_purchase.columns)
purchase_b=df_purchase.apply(purchase_back,axis=1)
purchase_b.head()

运行结果：

month1997-011997-021997-031997-041997-051997-061997-071997-081997-091997-101997-111997-121998-011998-021998-031998-041998-051998-06
user_id
10.0NaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
20.0NaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
30.0NaN1.00.0NaNNaNNaNNaNNaNNaN0.0NaNNaNNaNNaNNaN0.0NaN
40.0NaNNaNNaNNaNNaNNaN0.0NaNNaNNaN0.0NaNNaNNaNNaNNaNNaN
51.00.0NaN1.01.01.00.0NaN0.0NaNNaN1.00.0NaNNaNNaNNaNNaN
plt.figure(figsize=(12,6))
plt.subplot(211)
(purchase_r.sum()/purchase_r.count()).plot(label='复购率')
(purchase_b.sum()/purchase_b.count()).plot(label='回购率')
plt.legend()
plt.ylabel('百分比%')
plt.title('用户回购率和复购率对比图')

plt.subplot(212)
purchase_b.sum().plot(label='回购人数')
purchase_b.count().plot(label='购物总人数')
plt.xlabel('month')
plt.ylabel('人数')
plt.title('回购人数与购物总人数对比图')
plt.legend()

运行结果：

  • 回购率可知，平稳后在30%左右，波形性稍微较大
  • 复购率低于回购率，平稳后在20%左右，波动小较小
  • 前三个月不困是回购还是复购，都呈现上升趋势，说明新用户需要一定时间来变成复购或者回购用户
  • 结合新老用户分析，新客户忠诚度远低于老客户忠诚度。

经验：

1、在敲代码时遇到诸多bug，原视频的代码不可照搬，原视频的代码从第四个cell开始开始报错，比如df['month'] = df['order_date'].dt.to_period('M')在这里卡了好久，原本的astype('datetime64[M]')会报错，为此还写了一个经验帖解决较简单的代码问题的思路——以报错“cannot cast DatetimeArray to dtype datetime64[M]”为例_dodo2333333的博客-CSDN博客

2、思路可以多变通

在新老，活跃，回流用户分析中

plt.plot(rate['return'],label='return')报错float() argument must be a string or a number, not 'Period'

尝试过以下三种方法都没有用

在前面加df['month'] =list（df['month'] ）

在plt.plot(rate['return'], label='return')前面加rate['return'] = rate['return'].astype(str)

以及按搜出来的说在plot前面加pd.plotting.register_matplotlib_converters()

之后将这行代码改成rate['return'].plot(label='return')才解决了问题。平时可以注意积累同一需求的不同方法。

ziqi想取个不重复的名字怎么这么难
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
电商平台用户消费行为分析
weixin_50254936的博客
04-09 2881
CD案例分析 本文对CD案例进行了一个分析总结，主要是根据用户消费记录，分析用户消费行为，统计电商领域的一些关键性指标。 项目背景 CDNOW是美国的一家网上唱片零售公司，成立于1994年。本文是针对该公司在1997年1月～1998年6月这1.5年时间里的销售数据对用户消费行为进行分析，并针对分析结果对后续的营销策略及用户管理提出合理的建议。 分析目标 根据CDNOW一年半时间里的线上消费数据，分析用户消费行为，建立RFM模型并对用户进行分层，统计用户生命周期，复购率及回购率等关键性指标。 分析过程 数据
RFM分析模型之用户消费行为分析
m0_62463935的博客
06-07 2236
RFM分析模型—用户消费行为分析，通过使用Python对用户消费数据进行分析，创建RFM分析模型，根据分析结果，找到最有价值的用户，并对用户进行分类，并有针对性的对不同类型用户采用不同的营销策略。...
数据分析 - 健身平台用户消费行为分析
m0_61844000的博客
11-02 2219
本篇是利用空余时间做的一个数据分析的初级项目，目的是通过项目了解如何使用Python进行简单的用户消费行为分析数据分析。
数据分析案例——用户消费行为分析
liushuang99的博客
12-06 5309
文章目录数据分析之——用户消费行为分析内容摘要一、项目背景二、项目目的三、分析思路四、python数据分析实现五、PowerBI可视化看板设置 数据分析之——用户消费行为分析 内容摘要 项目背景 项目目的 分析思路 python数据分析实现 PowerBI可视化看板设置 一、项目背景 这是一份用户消费行为的分析报告； 数据来源于网上，是用户在一家单车网站上的消费记录，其时间跨度为1997年1月至1998年4月。 数据格式：txt文档，具体信息见图 第一列——user_id：用户ID 第二列——ord
数据分析项目:用户消费行为分析
m0_37749345的博客
04-06 2489
用户消费行为分析实战 本篇以模仿为主，利用pandas进行数据处理，分析用户消费行为。 数据来源CDNow网站的用户购买明细，一共有用户ID，购买日期，购买数量，购买金额四个字段。 1、导入常用需要的库 # 导入常用需要的库 import pandas as pd import numpy as np import matplotlib.pyplot as plt from datetime import da...
数据分析——用户消费行为分析
weixin_46271306的博客
05-16 3297
用户行为贯穿我们生活的各行各业，通过分析用户的消费行为，可以帮助企业更好的了解企业发展状况，及时做出战略调整，使企业更好的运转下去。本文以某电商网页用户购买CD数量明细作为样本数据，整理了分析用户消费行为的具体内容。
Python实战01：电商用户消费行为分析
qq_39144560的博客
11-17 1751
python数据分析案例实战——电商用户消费行为分析（附详细的注释），来跟我一起学习数据分析的基本流程和方法吧~
数据分析实战之用户消费行为分析
weixin_42964610的博客
07-15 5946
一、分析目的 本次主要根据淘宝用户的行为数据，分析挖掘有价值的信息，通过数据清洗、数据分析、数据可视化、最后结合使用相关算法模型挖掘数据价值，从而为营销提供相应的数据支撑 二、数据来源 本次使用的数据来源于阿里天池：https://tianchi.aliyun.com/dataset/dataDetail?dataId=46&userId=1 数据结构如下： 三、数据清洗 1、导入相关的第三方模块 import numpy as np import pandas as pd imp.
数据分析项目实战之用户消费行为分析
热门推荐
啦啦啦~~
07-23 1万+
数据分析项目中固然是用到很多的数据分析工具和技巧，但是业务知识也占比不小，本案例分析了来自CDNow网站的一份用户购买CD明细，业务结合技术进一步分析用户的消费行为，提高决策质量。CD数据包括用户ID，购买日期，购买数量，购买金额四个字段。 数据下载：https://pan.baidu.com/share/init?surl=pL2qo1H密码g6vv 用到的工具，pycharm，pyth...
淘宝用户消费行为分析.zip
09-19
《淘宝用户消费行为分析》 在当今的电子商务领域，淘宝作为中国最大的在线购物平台之一，其用户消费行为的分析对于商家、营销策略制定者以及电商平台自身都具有极高的价值。通过对用户购买行为、浏览习惯、购买时间...
CDNow的用户消费行为分析
12-22
一、项目背景 CDNow是一家在线音乐零售平台,后...4.用户消费行为分析 5.复购率、回购率分析 0、导入数据、理解数据 0.1、导入常用的库 import pandas as pd import numpy as np %matplotlib inline import matplotlib.p
2018-2019中国礼物经济产业研究与用户消费行为分析报告.pdf
02-04
2018-2019中国礼物经济产业研究与用户消费行为分析报告.pdf
网易云音乐用户消费行为分析.zip
03-29
1.用户消费行为特征 1.1.用户总体消费趋势分析 1.2.用户个人消装分析 1.2.1.用户消费金额，消费次数的描述性分析用户 1.2.2.消费金额和消费次数的散点图 1.2.3.用户消费金额的分布 1.2.4.用户消费次数的分布 1.3....
淘宝用户消费行为分析.doc
09-19
淘宝用户消费行为分析 淘宝网作为中国最大的网上购物平台，对于消费者行为分析有着重要的意义。淘宝网的市场定位是基于对消费者行为的分析，通过了解消费者的需求和偏好，淘宝网可以更好地满足消费者的需求，提高...
使用Python的Turtle库绘制动态风车
爱写代码的小朋友
07-20 398
python绘制风车
随机数种子的作用
帆的博客
07-23 607
设置随机数种子（random seed）的目的是为了确保随机数生成器在每次运行时产生相同的随机数序列，从而保证实验结果的一致性。随机数种子通过初始化随机数生成器的内部状态，使得在相同的种子值下，随机数生成器每次调用时生成的序列是相同的。
【Python如何将字符串连接在一起并使用`join()`方法】
qq_36253366的博客
07-19 450
方法是字符串对象的方法，而不是列表或元组等序列类型的方法。因此，你需要先指定一个用作分隔符的字符串，然后调用这个字符串的。方法将字符串连接在一起，你需要首先确保这些字符串被存储在一个序列类型中（如列表或元组），然后调用这个序列的。方法是一个字符串方法，它用于将序列（如列表、元组等）中的元素以指定的字符连接生成一个新的字符串。列表中的所有字符串元素使用空格作为分隔符连接成一个新的字符串。方法，并将你想要作为分隔符的字符串作为参数传递给。方法，并将包含要连接字符串的序列作为参数传递。
【保姆级教程】跑通YOLOv8-multi-task多任务模型
最新发布
m0_51579041的博客
07-23 117
【保姆级教程】跑通YOLOv8-multi-task多任务模型
K12教育企业用户消费行为分析
这篇论文展示了如何运用统计学和数据科学的方法处理和解读K12教育领域的用户消费行为数据，为企业提供有价值的决策支持。通过预处理、可视化和模型构建，论文揭示了用户的行为模式，为企业的产品推广和市场策略优化...
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值