滴滴出行2020数据分析面试题

数据来源

滴滴国际部2020年2月数据分析实习生笔试题
内容：2018年3月5日-2018年3月11日期间100名巴西乘客的订单基础信息

字段释义

字段	中文名称	解释
order_id	订单ID	呼叫订单识别号
passenger_id	乘客ID	乘客识别号
call_time	呼叫时间	乘客从应用上发出需要用车的请求的时间点（北京时间）
grab_time	应答时间	司机点击接单的时间点（北京时间）
cancel_time	取消时间	司机或者乘客取消订单的时间（北京时间）
finish_time	完单时间	司机点击到达目的地的时间点（北京时间）

指标释义

指标名称	含义	统计口径
应答率	呼叫订单被应答的比例	应答订单/呼叫订单
完单率	呼叫订单被完成率	完成订单/呼叫订单
呼叫应答时间	被应答订单从呼叫到被应答平均时长	被应答订单从呼叫到被应答时长总和/被应答订单数量

其他信息

巴西比中国慢11小时

加载包

import numpy as np
import pandas as pd
import datetime

加载数据

data = pd.read_csv('dididata.csv')
data.head()

数据预处理

# 查看各字段格式
data.info()

4个时间数据为object，需要将其改为datetime

data['call_time'] = pd.to_datetime(data['call_time'])
data['grab_time'] = pd.to_datetime(data['grab_time'])
data['cancel_time'] = pd.to_datetime(data['cancel_time'])
data['finish_time'] = pd.to_datetime(data['finish_time'])
data.info()

没有空值，说明未应答、未取消、未完成的订单时间不是以空值存储，检查后发现这些数据是记为1971-01-01 00:00:00
将其替换为空值，便于后续分析

data.loc[data['grab_time']=='1971-01-01 00:00:00','grab_time']= np.nan
data.loc[data['cancel_time']=='1971-01-01 00:00:00','cancel_time'] = np.nan
data.loc[data['finish_time']=='1971-01-01 00:00:00','finish_time']= np.nan
data.info()

巴西比中国慢11小时，将表中北京时间转换为巴西时间

data['call_time']-=datetime.timedelta(hours=11)
data['grab_time']-=datetime.timedelta(hours=11)
data['cancel_time']-=datetime.timedelta(hours=11)
data['finish_time']-=datetime.timedelta(hours=11)
data.head()

问题

1 订单的应答率、完单率分别是多少？

print('应答率：',data['grab_time'].count()/data['call_time'].count())
print('完单率：',data['finish_time'].count()/data['call_time'].count())

应答率： 0.7239057239057239
完单率： 0.4713804713804714

2 呼叫应答时间多长？

diff = (data['grab_time']-data['call_time']).sum()/data['grab_time'].count()    # 获取平均时间，得到numpy.timedelta64 纳秒时间差
diff = diff / np.timedelta64(1,'m')    # 将 纳秒 转换为 分钟
print('呼叫应答时间：',diff,'分钟')

呼叫应答时间： 0.7255813953333333 分钟

3 呼叫量最高的是哪一个小时（当地时间）？呼叫量最少的是哪一个小时（当地时间）？

data.groupby(data['call_time'].dt.hour).call_time.count().sort_values(ascending=False)

call_time
18 40
20 25
23 21
19 21
14 20
16 18
13 15
9 14
0 14
15 13
12 12
22 10
10 10
21 10
8 9
17 8
7 8
11 8
5 7
6 6
4 3
1 3
3 1
2 1
Name: call_time, dtype: int64
呼叫量最高的是18时，呼叫量最少的是2时和3时。（当地时间）

4 呼叫订单第二天继续呼叫的比例有多少？

（1）按订单数计算

# 新增一列呼叫日期的天数，方便计算
data['day'] = data['call_time'].dt.day
# 将表根据passenger_id进行左连接
data2 = data.merge(data,on='passenger_id',how='left')
# 筛选出第二次呼叫比第一次呼叫晚一天的数据
data2 = data2[(data2['day_y']-data2['day_x'])==1]
# 为避免前一天有多个订单，造成第二天的订单重复计算，对第二天的订单号进行去重
print('结果为：',data2.drop_duplicates(subset=['order_id_y']).order_id_x.count() / data.day.count())

结果为： 0.32996632996632996

（2）按乘客数计算

# 在连接好的表中，对乘客id进行去重，得到第二天继续呼叫乘客数
result = data2.drop_duplicates(subset='passenger_id').passenger_id.count() / data.drop_duplicates(subset='passenger_id').passenger_id.count()
print('结果为：',result)

结果为： 0.3472222222222222

5 如果要对表中乘客进行分类，你认为需要参考哪一些因素？

基于已有的表格中数据，可以用RFM模型对用户进行分类，
R：乘客上一次打车距离3月11日的时间间隔
F：乘客在数据期间的打车频率
M：打车消费金额（表中无打车金额，可以用完成订单总时长代替）

data['time'] = data['finish_time'] - data['call_time']
​
rfm = data.groupby('passenger_id').aggregate({
    'call_time': max,
    'order_id': 'count',
    'time': sum
})
rfm.head()

rfm['R'] = (rfm['call_time'].max() - rfm['call_time'])/np.timedelta64(1,'D')
rfm['time'] = rfm['time']/np.timedelta64(1,'m')
rfm.rename(columns={'order_id':'F','time':'M'},inplace=True)
rfm.head()

rfm.describe()

def RFM(x):
    level = x.apply(lambda x:'1' if x>0 else '0')
    label = level['R']+level['F']+level['M']
    d = {
        '011':'重要价值客户',
        '001':'重要发展客户',
        '111':'重要保持客户',
        '101':'重要挽留客户',
        '010':'一般价值客户',
        '000':'一般发展客户',
        '110':'一般保持客户',
        '100':'一般挽留客户'
    }
    result = d[label]
    return result
rfm['label'] = rfm[['R','F','M']].apply(lambda x:(x-x.mean())).apply(RFM,axis=1)
rfm.head()

rfm.groupby(['label']).aggregate({
    'F':'count',
    'M':sum
})

一般挽留客户和一般发展客户比较多，都是21人；
重要价值客户有13人，乘车时长远高于其他客户群