python数据分析电商用户行为，看完这一篇就够了

SELECT count(DISTINCT user_id)

FROM behavior_sql

WHERE WHERE type = ‘pay’;

SELECT type, COUNT(*) FROM behavior_sql

WHERE

user_id IN

(SELECT DISTINCT user_id

FROM behavior_sql

WHERE type = ‘pay’)

AND type = ‘pv’

GROUP BY type;

复制代码

print(‘总访问量为 %i’ %pv)

print(‘总访客数为 %i’ %uv)

print(‘消费用户数为 %i’ %len(user_pay))

print(‘消费用户访问量为 %i’ %pv_pay)

print(‘日均访问量为 %.3f’ %pv_per_day)

print(‘人均访问量为 %.3f’ %pv_per_user)

print(‘消费用户人均访问量为 %.3f’ %pv_per_buy_user)

print(‘消费用户数占比为 %.3f%%’ %(user_pay_rate * 100))

print(‘消费用户访问量占比为 %.3f%%’ %(pv_pay_rate * 100))

复制代码

OUTPUT

总访问量为 6229177

总访客数为 728959

消费用户数为 395874

消费用户访问量为 3918000

日均访问量为 389323.562

人均访问量为 8.545

消费用户人均访问量为 9.897

消费用户数占比为 54.307%

消费用户访问量占比为 62.898%

复制代码

消费用户人均访问量和总访问量占比都在平均值以上，有过消费记录的用户更愿意在网站上花费更多时间，说明网站的购物体验尚可，老用户对网站有一定依赖性，对没有过消费记录的用户要让快速了解产品的使用方法和价值，加强用户和平台的黏连。

• 跳失率

跳失率：只进行了一次操作就离开的用户数/总用户数

attrition_rates = sum(behavior.groupby(‘user_id’)[‘type’].count() == 1) / (behavior[‘user_id’].nunique())

复制代码

SQL

SELECT

(SELECT COUNT(*)

FROM (SELECT user_id

FROM behavior_sql GROUP BY user_id

HAVING COUNT(type)=1) A) /

(SELECT COUNT(DISTINCT user_id) UV FROM behavior_sql) attrition_rates;

复制代码

print(‘跳失率为 %.3f%%’ %(attrition_rates * 100) )

复制代码

OUTPUT

跳失率为 22.585%

复制代码

整个计算周期内跳失率为22.585%，还是有较多的用户仅做了单次操作就离开了页面，需要从首页页面布局以及产品用户体验等方面加以改善，提高产品吸引力。

2. 用户消费频次分析

单个用户消费总次数

total_buy_count = (behavior[behavior[‘type’]==‘pay’].groupby([‘user_id’])[‘type’].count()

.to_frame().rename(columns={‘type’:‘total’}))

消费次数前10客户

topbuyer10 = total_buy_count.sort_values(by=‘total’,ascending=False)[:10]

复购率

re_buy_rate = total_buy_count[total_buy_count>=2].count()/total_buy_count.count()

复制代码

SQL

#消费次数前10客户

SELECT user_id, COUNT(type) total_buy_count

FROM behavior_sql

WHERE type = ‘pay’

GROUP BY user_id

ORDER BY COUNT(type) DESC

LIMIT 10

#复购率

CREAT VIEW v_buy_count

AS SELECT user_id, COUNT(type) total_buy_count

FROM behavior_sql

WHERE type = ‘pay’

GROUP BY user_id;

SELECT CONCAT(ROUND((SUM(CASE WHEN total_buy_count>=2 THEN 1 ELSE 0 END)/

SUM(CASE WHEN total_buy_count>0 THEN 1 ELSE 0 END))*100,2),‘%’) AS re_buy_rate

FROM v_buy_count;

复制代码

topbuyer10.reset_index().style.bar(color=‘skyblue’,subset=[‘total’])

复制代码

单个用户消费总次数可视化

tbc_box = total_buy_count.reset_index()

fig, ax = plt.subplots(figsize=[16,6])

ax.set_yscale(“log”)

sns.countplot(x=tbc_box[‘total’],data=tbc_box,palette=‘Set1’)

for p in ax.patches:

ax.annotate(‘{:.2f}%’.format(100*p.get_height()/len(tbc_box[‘total’])), (p.get_x() - 0.1, p.get_height()))

plt.title(‘用户消费总次数’)

复制代码

整个计算周期内，最高购物次数为133次，最低为1次，大部分用户的购物次数在6次以下，可适当增加推广，完善购物体验，提高用户消费次数。购物次数前10用户为1187177、502169等，应提高其满意度，增大留存率。

print(‘复购率为 %.3f%%’ %(re_buy_rate * 100) )

复制代码

OUTPUT

复购率为 13.419%

复制代码

复购率较低，应加强老用户召回机制，提升购物体验，也可能因数据量较少，统计周期之内的数据 无法解释完整的购物周期，从而得出结论有误。

3. 用户行为在时间纬度的分布

• 日消费次数、日活跃人数、日消费人数、日消费人数占比、消费用户日人均消费次数

日活跃人数（有一次操作即视为活跃）

daily_active_user = behavior.groupby(‘date’)[‘user_id’].nunique()

日消费人数

daily_buy_user = behavior[behavior[‘type’] == ‘pay’].groupby(‘date’)[‘user_id’].nunique()

日消费人数占比

proportion_of_buyer = daily_buy_user / daily_active_user

日消费总次数

daily_buy_count = behavior[behavior[‘type’] == ‘pay’].groupby(‘date’)[‘type’].count()

消费用户日人均消费次数

consumption_per_buyer = daily_buy_count / daily_buy_user

复制代码

SQL

日消费总次数

SELECT date, COUNT(type) pay_daily FROM behavior_sql

WHERE type = ‘pay’

GROUP BY date;

日活跃人数

SELECT date, COUNT(DISTINCT user_id) uv_daily FROM behavior_sql

GROUP BY date;

日消费人数

SELECT date, COUNT(DISTINCT user_id) user_pay_daily FROM behavior_sql

WHERE type = ‘pay’

GROUP BY date;

日消费人数占比

SELECT

(SELECT date, COUNT(DISTINCT user_id) user_pay_daily FROM behavior_sql

WHERE type = ‘pay’

GROUP BY date) /

(SELECT date, COUNT(DISTINCT user_id) uv_daily FROM be