前言: 博主是一个正在学习数据分析的21届普通大学学生,在看到许多厉害的大学博主,自己也想尝试一下记录自己的成长,主要以交流学习为主有错误望指出,会虚心学习🐢🐢🐢
项目背景和前言
背景: 现在电商行业发展越来越好,而竞争也越来越大。要想在营销运营上快竞争对手一步,利用现有数据分析用户行为进行精准营销,用户画像以及营销活动变得越来越重要。
数据来源:天池淘宝数据
数据介绍:数据截取了淘宝双12那一个月的用户行为数据,(行为包含点击、购买、加购、喜欢),行为时间戳,产品ID和产品类别ID。
用户ID:整数类型,序列化后的用户ID;
商品ID:整数类型,序列化后的商品ID;
商品类目ID:整数类型,序列化后的商品所属类目ID
行为类型:字符串,包括(“pv”:相当于点击,“buy”:商品购买,“cart”:将商品加入购物车,“fav”:收藏商品)
时间戳:行为发生的时间戳
工具:python3.8 pandas numpy等
分析大纲
分析流程: 提出问题–>数据清洗–>数据分析–>得出总结和建议
分析流程
1.提出问题
- 用户的活跃的时间段
- 用户行为转化率情况
- 用户复购率如何
- 用户的具体分类,如何把用户分类为有价值用户
- 商品销售符不符合二八定律(帕累托分析)
2 .数据清洗
# 导入数据 处理数据(处理时间戳,缺失值处理,删除geo列)
df = pd.read_csv('./tianchi_mobile_recommend_train_user.csv')
df = df.dropna()
#把数据自带的字符时间转换成datetime对象,可以更好的拿出需要的时间段
time = pd.to_datetime(df['time'])
df['day'] = time.dt.time
df['week'] = time.dt.weekday
df['date'] = time.dt.date
#删除无用数据列
del df['time'],df['user_geohash']
# 把用户行为对应成相对应的pv collect buy
behavior = {
1:'pv',2:'collect',3:'cart',4:'buy'}
df['behavior_type'] = df['behavior_type'].replace([1,2,3,4],['pv','collect','cart','buy'])
df.head()
3. 数据分析
3.1 流量分析 --->> 3.1.1总体流量分析
#总体流量,收藏,加购,下单
total_liu = df.groupby(['behavior_type']).size()
#总UV
# total_uv = df['user_id'].drop_duplicates().count()
total_uv = len(df['user_id'].unique())
print("总体流量为:\n",total_liu)
print(" ")
print("总体UV为: \n",total_uv)
总体流量为:
behavior_type
buy 3221
cart 8690
collect 6239
pv 302279
dtype: int64
总体UV为:
6425
3.1.2每日流量分析
#每日流量
#每日PV,收藏,加购,下单
day_liu = df.groupby(['date','behavior_type']).size().unstack()
#每日UV
daily_uv = df.groupby('date')['user_id'].apply(lambda x: x.drop_duplicates().count()).reset_index().rename(columns={
'user_id':'uv'})
daily_uv.plot(figsize = (12,3))
#由于购买,收藏,加入购物车无法看清,所以还要进行单独plot
for i in day_liu.columns:
plt.figure()
ax = day_liu[i].plot(figsize