电商数据分析练习

背景

本次练习的数据集来自于kaggle。该数据集是英国线上零售一年中（2010年12月1日至2011年12月9日）所有跨国交易记录。这家公司主要销售的是各类独特的礼品，许多公司的消费者都是批发商。

1、数据探索：分析各单变量的分布，并清洗数据；分析各变量相关关系，各月的销售情况

2、利用RFM模型，对顾客重要程度分组

EDA

1 数据集的基本情况

data.info()
data.head()

数据集中包含了541,909条数据记录，共有8个属性。

• InvoiceNo：发票编号
• StockCode：库存编码
• Description：商品描述
• Quantity：数量
• InvoiceDate：发票日期
• UnitPrice：单价
• CustomerID：顾客ID
• Country：国家

缺失值情况：

data.isnull().sum()/len(data)

商品描述：缺失值占比0.26%；数据缺失较少，此处以'unknown'填充。

顾客ID：缺失值占比24.93%；数据缺失严重，实际场景需要找业务部门确认缺失原因；此处对缺失值暂时以0填充标记。

data1 = data.copy()
data1.Description.fillna('unknown',inplace=True)
data1.CustomerID.fillna(0,inplace=True)

2 单变量分析

2.1 发票编号

invoice_number = data1.InvoiceNo.unique().shape[0]
product_per_invoice = len(data1)/invoice_number

一共有25900张不同的发票，平均每张发票对应21条记录（即21种商品）。

2.2 库存编码

data1.StockCode.unique().shape[0]

一共有4070种不同的库存编码

2.3 商品描述

data1.Description.unique().shape[0]

一共有4220种不同的商品；这里也可以看出库存编码和商品之间并非一一对应。

2.4 数量

data1.Quantity.describe()

数量的最小值为-80995，最大值为80995，很明显存在异常。

对于数量小于0的单子，可能是退货部分，占比约2%，本次分析姑且不考虑这部分数据，做删除处理；

对于数量大于0的单子，有的数值格外的大，考虑数据集来自于批发商的采买，有可能存在某些小物件，采买的数量比较大，需要结合实际的业务情况，给出合适的阈值剔除或替换异常值。我这里，将对数量大于（75%分位点+1.5*IQR）的数据，用均值填充。

data2 = data1[data1.Quantity>0]
IQR = data2.Quantity.describe()['75%']-data2.Quantity.describe()['25%']
tmp = data2.Quantity.describe()['75%']+1.5*IQR
data3 = data2.copy()
data3.lo