本文以花粉俱乐部为例,用Python的pandas模块对数据进行处理,分析该社区用户留存情况。
一、导入数据
数据是从华为俱乐部官网的“Harmony4”讨论组爬取下来的,使用的是一款名叫八爪鱼的爬虫软件,数据总量在1000条,数据格式如下:
用pandas模块将数据导入Python,需要注意的是,爬取的时间在读取时,格式为字符串,可以在用read_excel读取的同时将时间的格式传入parse_time参数,从而将时间解析为Python能够识别的datetime格式,有兴趣的小伙伴可以自行查询parse_time参数的使用方法,这里采用的方法是读取数据后再对“时间”字段进行截取和转换:
import pandas as pd
import datetime as dt
# 读取数据
harmony = pd.read_excel(io=r'鸿蒙4.xlsx')
# 将数据中的时间转换成“XXXX-XX-XX”日期格式
harmony['时间'] = harmony['时间'].apply(lambda x: pd.to_datetime(x[:10]))
读取后数据如下:
二、获取用户初次发帖时间
# 获取用户初次发帖的时间,方法是根据时间升序排序,再对用户去重
harmony_first = harmony.sort_values(by="时间", ascending=True).drop_duplicates("用户").reset_index(drop=True)
# 将用户初次发帖记录与所有记录进行表连接
harmony_remain = pd.merge(harmony_first, harmony,
how="outer", left_on="用户", right_on="用户")
可以看到,输出的harmony_first共有693行记录,这说明1000条爬取的初始数据来自于共计693名用户,但这并不是我们想要的最终结果,计算留存率需要对数据进行进一步处理。
merge合并后的数据如下:
因为我使用的连接方式是外连接,所以即使只发了一次帖子的用户发帖记录在这张表里也会得以保留,所以输出的仍是1000条记录。需要注意的是,因为进行表连接的两张表有名称重复的列名,导致合并后的表在这些名称相同的列名后面加上了“_x”"_y",后续进行处理的时候要完整输入列名,否则会报错。
三、计算留存率
# 次日留存率
harmony_remain_2 = harmony_remain[(harmony_remain["时间_y"]>harmony_remain["时间_x"])&(harmony_remain["时间_y"]<harmony_remain["时间_x"]+dt.timedelta(days=2))]
secend_day_remain_rate = harmony_remain_2['用户'].drop_duplicates().count() / harmony_first.shape[0]
print('次日留存率:', round(secend_day_remain_rate*100,2))
# 7日留存率
harmony_remain_7 = harmony_remain[(harmony_remain["时间_y"]>harmony_remain["时间_x"])&(harmony_remain["时间_y"]<harmony_remain["时间_x"]+dt.timedelta(days=7))]
seven_day_remain_rate = harmony_remain_7['用户'].drop_duplicates().count() / harmony_first.shape[0]
print('7日留存率:', round(seven_day_remain_rate*100, 2))
# 30日留存率
harmony_remain_30 = harmony_remain[(harmony_remain["时间_y"]>harmony_remain["时间_x"])&(harmony_remain["时间_y"]<harmony_remain["时间_x"]+dt.timedelta(days=30))]
thirty_day_remain_rate = harmony_remain_30['用户'].drop_duplicates().count() / harmony_first.shape[0]
print('30日留存率:', round(thirty_day_remain_rate*100, 2))
输出结果如下:
该结果表明,用户第一次发完帖子后,第二天继续发帖的概率是2.16%,7天内再次发帖的概率是5.19%,30天内继续发帖的概率为10.53%。由于是交流型的网站,这个留存率应该是算正常的(只有遇到值得分享的才会发到社区?个人理解。)
四、输出留存用户列表
我们还想进一步看看留存下来的用户都有哪些,可以运行以下代码
harmony_remain_30[['用户', '名称_x']].drop_duplicates()
输出结果如下:
可以看到,首次发帖后30天内仍有发帖的用户数量为73个,现在假设我们想要统计不同称号的用户留存情况,因为在上面的结果中可以看到,有些用户不止一个称号,比如“阿琛q”,拥有“技术花粉”“极客先锋”,为了统计数据,首先需要对这列进行拆分,然后再聚合计数。
harmony_remain_30_user = harmony_remain_30[['用户', '名称_x']].drop_duplicates().reset_index(drop=True)
harmony_remain_30_user_processed = pd.DataFrame(columns=['用户', '称号'])
temp = pd.DataFrame(columns=['用户', '称号'])
for i in range(harmony_remain_30_user.shape[0]):
if '、' in str(harmony_remain_30_user['名称_x'][i]):
titles = harmony_remain_30_user['名称_x'][i].split('、')
for title in titles:
data_list = [harmony_remain_30_user['用户'][i], title]
harmony_remain_30_user_processed.loc[len(harmony_remain_30_user_processed)] = data_list
else:
harmony_remain_30_user_processed.loc[len(harmony_remain_30_user_processed)] = [harmony_remain_30_user['用户'][i], harmony_remain_30_user['名称_x'][i]]
harmony_remain_30_user_processed.fillna('无', inplace=True)
处理后的结果如下:
聚合并排序:
pd.pivot_table(data=harmony_remain_30_user_processed,
index='称号',
values='用户',
aggfunc='count').sort_values(by='用户', ascending=False).reset_index()
结果如下:
可以看到,在所有30天留存的73名用户中,有10个用户是官方团队,没有任何称号的用户为29人,其他接近一半的活跃用户为拥有“极客先锋”“技术花粉”等称号的用户。(这里无法排除官方团队的账号同时拥有其他称号的情况,由于对称号进行了拆分,加总之后的总数也超过73,故该分析并不严谨,此处仅作为一个可能性推测)
以上就是Python分析社区留存用户的案例,感谢阅读!