Python数据分析项目案例

最新推荐文章于 2024-06-26 13:50:07 发布

代码输入中...

最新推荐文章于 2024-06-26 13:50:07 发布

阅读量3.9k

点赞数 4

文章标签： python pandas 数据分析开发语言

本文链接：https://blog.csdn.net/m0_59485658/article/details/128258031

版权

本文通过Python的pandas库对数据进行处理，包括数据类型转换、缺失值检查，按月分析用户消费行为，深入探究个体用户消费特征，分析用户消费行为模式，构建RFM模型划分用户价值等级，并研究用户的生命周期状态，如活跃用户、新用户、回头客等。

摘要由CSDN通过智能技术生成

第一部分：数据类型处理

数据加载
- 字段含义：
  - user_id:用户ID
  - order_dt:购买日期
  - order_product:购买产品的数量
  - order_amount:购买金额
观察数据
- 查看数据的数据类型
- 数据中是否存储在缺失值
- 将order_dt转换成时间类型
- 查看数据的统计描述
- 在源数据中添加一列表示月份:astype('datetime64[M]')

df = pd.read_csv('./data/CDNOW_master.txt',header=None,sep='\s+',names=['user_id','order_dt','order_product','order_amount'])  #sep='\s+'  分割间隔 一个或多个空格
df.head()

df.shape
(69659, 4)
#查看数据类型
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 69659 entries, 0 to 69658
Data columns (total 4 columns):
user_id          69659 non-null int64
order_dt         69659 non-null int64
order_product    69659 non-null int64
order_amount     69659 non-null float64
dtypes: float64(1), int64(3)
memory usage: 2.1 MB

#order_dt转换成时间序列，且加一列为购买商品的月份
df['order_dt'] = pd.to_datetime(df['order_dt'],format="%Y%m%d")
df.head()

df['month'] = df['order_dt'].astype('datetime64[M]')
df.head()

 df.describe()  #对数据源中的数值型数据的描述

第二部分：按月数据分析

用户每月花费的总金额
- 绘制曲线图展示
所有用户每月的产品购买量
所有用户每月的消费总次数
统计每月的消费人数

#用户每月花费的总金额
df.groupby(by='month')['order_amount'].sum()
month
1997-01-01    299060.17
1997-02-01    379590.03
1997-03-01    393155.27
1997-04-01    142824.49
1997-05-01    107933.30
1997-06-01    108395.87
1997-07-01    122078.88
1997-08-01     88367.69
1997-09-01     81948.80
1997-10-01     8