pyecharts 【留存矩阵图】分析抖音用户的留存情况

最新推荐文章于 2024-01-06 00:12:35 发布

源源佩奇

最新推荐文章于 2024-01-06 00:12:35 发布

阅读量782

点赞数

分类专栏： pyecharts python 文章标签：矩阵 python

本文链接：https://blog.csdn.net/m0_65833575/article/details/129051018

版权

python 同时被 2 个专栏收录

8 篇文章

订阅专栏

pyecharts

1 篇文章

订阅专栏

文章介绍了如何通过Python进行数据处理，计算次日、3日、5日和7日留存率，并绘制留存矩阵图。使用Pandas库进行数据清洗和分组，计算用户活跃度，然后用Scatter图表展示留存率情况，帮助理解用户行为和产品粘性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

数据介绍

数据结构及个字段所表达的含义

uid -用户id
user_city-用户所在城市
item_id -作品id
author_id-作者id
item_city-作者城市
channel -观看到该作品的来源
finish-是否浏览完作品
like-是否对作品点赞
music_id-音乐id
duration_time -作品时长
real_time-真实时间
H-时间点
date-日期

留存率分析

数据留存矩阵图，是在留存率和用户活跃度的基础上进行绘制的

留存率
又分为次日留存率，3日留存率，5日留存率等。

计算方法：
次日留存率：（第2天日活跃的用户 / 第1天日活跃的用户）*100%
3日留存率：（第3天日活跃的用户 / 第1天日活跃的用户）*100%
......
以此类推。

用户活跃度
通俗来讲就是当日用户的上线的数量（去重之后）

分析结果

绘制留存矩阵图（需要知道留存率和活跃度）

留存率（至少需要知道最早的一天和在线任意一天的活跃度）
间隔（最早的一天和任意一天的间隔多少天）
活跃度（需要知道间隔和日期相同时，去重的用户数量）

代码实验

导入数据

df = pd.read_csv('地址')
df.info() # 查看数据列的信息

将date列转换成 datetime类型

# 将date 转换为datetime 类型
df['date'] = pd.to_datetime(df['date'])

根据每个用户uid来确定早时间（重点咯，最早登录时间）

grouping = df.groupby("uid")["date"]
df['min_day'] = grouping.transform("min")
df.head()

确定时间间隔,获取天数（重点咯，间隔）

df['day_gap'] = (df['date'] - df['day_min']).apply(lambda x:x.days)
df

利用间隔和最早登录的天数进行分组，重置id列（重点，活跃度）

df1 =df.groupby(['day_min','day_gap']).agg({'uid':'nunique'}).reset_index()

table1 = df1.pivot_table(columns='day_gap',index='day_min',values='uid') # 转换一下，更容易看懂

留存率计算

table2 = table1.divide(table1[0],axis=0)
table2

绘制留存矩阵图

# x 轴为 不同类型的用户留存率
# y 轴为 活跃用户的数量
s = charts.Scatter(init_opts=opts.InitOpts(bg_color='#6e7074'))
s.add_xaxis(table2[1])
s.add_yaxis('次日留存数量',table1[1],label_opts=opts.LabelOpts(is_show=False),itemstyle_opts=opts.ItemStyleOpts(opacity=0.5))
s.set_global_opts(
    xaxis_opts=opts.AxisOpts(
        type_="value",
        splitline_opts=opts.SplitLineOpts(
            is_show=True
        )
    ),
    yaxis_opts=opts.AxisOpts(
        splitline_opts=opts.SplitLineOpts(
            is_show=True
        )
    ),
    visualmap_opts=opts.VisualMapOpts(
        type_='size',
        max_=2000,
        min_=100,
    )
)



s3 = charts.Scatter(init_opts=opts.InitOpts(bg_color='#6e7074'))
s3.add_xaxis(table2[3])
s3.add_yaxis('3日留存数量', table1[3], label_opts=opts.LabelOpts(is_show=False),
            itemstyle_opts=opts.ItemStyleOpts(opacity=0.5))
s3.set_global_opts(
    xaxis_opts=opts.AxisOpts(
        type_="value",
        splitline_opts=opts.SplitLineOpts(
            is_show=True
        )
    ),
    yaxis_opts=opts.AxisOpts(
        splitline_opts=opts.SplitLineOpts(
            is_show=True
        )
    ),
    visualmap_opts=opts.VisualMapOpts(
        type_='size',
        max_=2000,
        min_=100,
    )
)


s7 = charts.Scatter(init_opts=opts.InitOpts(bg_color='#6e7074'))
s7.add_xaxis(table2[7])
s7.add_yaxis('7日留存数量', table1[7], label_opts=opts.LabelOpts(is_show=False),
            itemstyle_opts=opts.ItemStyleOpts(opacity=0.5))
s7.set_global_opts(
    xaxis_opts=opts.AxisOpts(
        type_="value",
        splitline_opts=opts.SplitLineOpts(
            is_show=True
        )
    ),
    yaxis_opts=opts.AxisOpts(
        splitline_opts=opts.SplitLineOpts(
            is_show=True
        )
    ),
    visualmap_opts=opts.VisualMapOpts(
        type_='size',
        max_=2000,
        min_=100,
    )
)
s21 = charts.Scatter(init_opts=opts.InitOpts(bg_color='#6e7074'))
s21.add_xaxis(table2[21])
s21.add_yaxis('21日留存数量', table1[21], label_opts=opts.LabelOpts(is_show=False),
             itemstyle_opts=opts.ItemStyleOpts(opacity=0.5))
s21.set_global_opts(
    xaxis_opts=opts.AxisOpts(
        type_="value",
        splitline_opts=opts.SplitLineOpts(
            is_show=True
        )
    ),
    yaxis_opts=opts.AxisOpts(
        splitline_opts=opts.SplitLineOpts(
            is_show=True
        ),

    ),
    visualmap_opts=opts.VisualMapOpts(
        type_='size',
        max_=2000,
        min_=100,
    )
)

s.render('留存矩阵图.html')