【Python数据挖掘】购物篮分析

购物篮分析

变量解释

变量	含义	说明
ReceiptID	收据单号
Value	支付金额
pmethod	支付渠道	1现金，2信用卡，3电子支付，4其他
sex	性别	1男性，2女性
homeown	是否有住宅	1有，2无，3未知
income	收入
age	年龄
其他	其他	购买的各种类商品的数量

数据导入

import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
# 中文环境
%matplotlib inline
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 加载数据
data = pd.read_excel('路径',sheet_name=1)
data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 58000 entries, 0 to 57999
Data columns (total 50 columns):
ReceiptID            58000 non-null int64
Value                58000 non-null float64
pmethod              58000 non-null int64
sex                  58000 non-null int64
homeown              58000 non-null int64
income               57999 non-null float64
age                  57999 non-null float64
PostCode             48208 non-null object
nchildren            57998 non-null float64
fruit                58000 non-null object
freshmeat            58000 non-null int64
dairy                58000 non-null int64
MozerallaCheese      58000 non-null int64
cannedveg            57999 non-null float64
cereal               57991 non-null float64
frozenmeal           58000 non-null int64
frozendessert        58000 non-null int64
PizzaBase            57999 non-null float64
TomatoSauce          58000 non-null int64
frozen fish          58000 non-null int64
bread                58000 non-null int64
milk                 57999 non-null float64
softdrink            58000 non-null int64
fruitjuice           58000 non-null int64
confectionery        57999 non-null float64
fish                 58000 non-null int64
vegetables           58000 non-null int64
icecream             58000 non-null int64
energydrink          58000 non-null int64
tea                  58000 non-null int64
coffee               58000 non-null int64
laundryPowder        58000 non-null int64
householCleaners     58000 non-null int64
corn chips           58000 non-null int64
Frozen yogurt        58000 non-null int64
Chocolate            58000 non-null int64
Olive Oil            58000 non-null int64
Baby Food            58000 non-null int64
Napies               58000 non-null int64
banana               58000 non-null int64
cat food             58000 non-null int64
dog food             58000 non-null int64
mince                58000 non-null int64
sunflower Oil        58000 non-null int64
chicken              58000 non-null int64
vitamins             58000 non-null int64
deodorants           58000 non-null int64
dishwashingliquid    58000 non-null int64
onions               58000 non-null int64
lettuce              58000 non-null int64
dtypes: float64(9), int64(39), object(2)
memory usage: 22.1+ MB

结论

• 共58000个观测值，部分数据有缺失值

数据预处理

PostCode缺失值较多，且对后续分析作用不大，直接删除此列

#输出文件名
outputfile = '路径'
 #填补数据
data.drop(['PostCode'] ,axis=1,inplace=True)
 #输出到指定文件
data.to_excel(outputfile)

对income用众数插补

#输出文件名
outputfile = '路径'
 #填补数据
data['income'] =  data['income'].fillna(data['income'].mode()[0])
 #输出到指定文件
data.to_excel(outputfile) 

对age用均值插补

#输出文件名
outputfile = '路径'
 #填补数据
data['age'] =  data['age'].fillna(data['age'].mean())
 #输出到指定文件
data.to_excel(outputfile) 

对nchildren用前一个数据插补

#输出文件名
outputfile = '路径'
 #填补数据
data['nchildren'] =  data['nchildren'].fillna(method='pad')
 #输出到指定文件
data.to_excel(outputfile)

对cannedveg用众数插补

#输出文件名
outputfile = '路径'
 #填补数据
data['cannedveg'] =  data['cannedveg'].fillna(data['cannedveg']