数据分析项目--黑色星期五--Python分析

最新推荐文章于 2023-06-29 20:25:30 发布

l654247808

最新推荐文章于 2023-06-29 20:25:30 发布

阅读量2.9k

点赞数 4

分类专栏： python

本文链接：https://blog.csdn.net/l654247808/article/details/103749225

版权

本文通过Python对黑色星期五购物数据进行分析，包括客户性别、年龄、职业、婚姻状况、居住地和居住时长对消费的影响，以及产品销售情况。数据显示，男性消费者在数量和消费额上均超过女性；25-35岁年龄段的客户购买力最强；C城用户最多但人均消费额最低；居住1年的人群消费总额最高，但人均消费额3年的人群最高。前10名商品销量和消费金额有50%重合，20%的主要用户贡献了73%的消费额。

摘要由CSDN通过智能技术生成

分析说明

数据:Kaggle数据集黑色星期五，已经有很多人分析过了，还是借着别人的笔记以及自己的理解，自己做一遍最好，发现问题，及时复盘才是学习的良好方法。

数据字段说明:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-UNdfe30U-1577540940518)(https://margaret.camliar.com/upload/2019/12/%E5%9B%BE%E7%89%87-e448881c9ad944d1ba0ba1d70374d2e5.png)]
职业代码是里面没有写出及具体的职业，只用数字代替的，总共20种
城市分类也是定义A,B,C三类
婚姻状况中0未婚，1已婚
图片.png

分析思路

几乎与销售相关的都可以从产品、客户、销售情况三大维度着手分析
对于销售情况，可以做总体的一些分析，
比如销售总额，总订单数，客户平均消费额，平均订单额，
销售额最高的TOP10商品，消费最高的TOP10的VVIP用户
从客户情况分析，借助已有的数据，对客户性别、年龄、职业、婚姻、居住地、居住时间长短对消费的影响做分析
产品的分析基本也是结合客户特征做分析的

1.数据查看清洗

import numpy as np
import pandas as pd
data=pd.read_csv('BlackFriday.csv')
data.info()
dt=data.rename(columns={'User_ID':'用户ID','Product_ID':'产品ID','Gender':'性别','Age':'年龄','Occupation':'职业','City_Category':'城市',
                      'Stay_In_Current_City_Years':'居住时长','Marital_Status':'婚姻状态',