Olist巴西电商数据分析（一）

Olist巴西电商数据分析

下篇指路：https://blog.csdn.net/jlycd/article/details/114001930

---

---

项目背景

本项目是来自kaggle上的数据集案例，记录了巴西电商平台Olist 2016,2018的真实业务数据数据，包含以下的内容。

分析目标

1.通过用户，商家，产品，销售四个维度分析该平台的总体经营状况和所处阶段
2.发现平台存在的问题，分析原因，给出相应的建议
3.对于异常指标的变化，分析原因
4.对未来的工作给出总体方向，目标和合理化建议

---

搭建数据分析架构

主要通过用户，商家，产品，销售四个维度来展开分析各项指标。
使用到的工具主要有python,excel,tableau等

数据分析

用户维度

主要分析的方向有用户的地区分布，用户支付方式，分期偏好，下单时间等行为偏好，以及基于RFM模型将用户进行分层
数据导入处理

import numpy as np
import pandas as pd
payments=pd.read_csv('olist_order_payments_dataset.csv')
customers=pd.read_csv('olist_customers_dataset.csv')
orders=pd.read_csv('olist_orders_dataset.csv')
orders.isnull().sum()
payments.isnull().sum()
customers.isnull().sum() #缺失值查看

由于缺失值仅在order_approved_at，order_delivered_carrier_date，order_delivered_customer_date这三个列出现，而这三列与我们分析工作关系不大，所以可以忽略。

po=pd.merge(payments,orders,how='left',on='order_id')
pc=pd.merge(po,customers,how='left',on='customer_id')#数据合并
state=pd.DataFrame(pc['customer_unique_id'].groupby([pc['customer_state']]).count())
#用户地区分布

该平台的用户大多数来自于SP比例高达42%，其次是RJ和MG。这可能与巴西人口密度分布有关，当然也与平台在其他地区程度的普及程度，当地人购物方式有着很大的关系。

p_type_c=pd.DataFrame(pc['customer_unique_id'].groupby([pc['payment_type'],pc['customer_state']]).count())#用户支付方式和所在州统计
p_type=pd.DataFrame(pc['customer_unique_id'].groupby(pc['payment_type']).count