sakila

sakila
对sakila数据进行实验分析## sakil

通过Python对数据进行处理，matplotlib生成折线统计图
代码部分：
from matplotlib import pyplot
导入csv文件，对该文件的数据进行分析
ID = [76,…,15725]
time= [15,…,48]
pyplot.plot(year, people)
pyplot.xlabel(‘ID’)
pyplot.ylabel(‘time’)
pyplot.title(‘折线图’)
pyplot.yticks([0, 20, 30, 40, 50])
pyplot.fill_between(year, people, 10, color = ‘red’)
pyplot.show()
from matplotlib import pyplot
ID = [76,…,15725]
TotalAmount= [15,…,48]
pyplot.plot(iD, TotalAmount)
pyplot.xlabel(‘ID’)
pyplot.ylabel(‘TotalAmount’)
pyplot.title(‘折线图’)
pyplot.yticks([0, 50,100,150,200,250])
pyplot.fill_between(year, people, 10, color = ‘red’)
pyplot.show()
2.

通过分析time-ID图，可初步判定购买次数高分值落在100-200区间和500-550区间，在100-200区间中，最大购买次数
达到45以上，最低购买次数25以上；在500-550区间内，最高购买次数在45以上，最低购买次数在22以上；100-200区间内最大峰值48左右，最小峰值15左右，波动较大，最稳定顾客应该在ID为150的客户左右。500-550区间中最大峰值48，最小峰值18，波动较大，相比于100-200的区间，该区间的波动较稳定，购买次数最多的顾客应在ID编号为520左右。两个区间目测购买次数最多的人中，500-550区间的顾客更趋紧于最有潜力的购买顾客。
对最后结果选择出最有潜力的购买客户，相对于购买频率而言，购买总额的决定性高于购买频率，如果最终要筛选出最有潜力的购买客户，应选择从编号在520左右的客户进行更精细的筛选。以上实验内容仅仅对payment.csv进行了分析，还存在很多方面的偏差和漏洞，只是粗略的对大量数据进行了分析。