Python分析社区用户留存率——花粉社区为例

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！