市场研究中的数据分析知识整理 （六）-数据模拟

数据模拟

数据模拟最直接的意义在于更好的便于R语言操作和统计学知识的练习。但另一方面，也是对市场分析中数据分析的逻辑和内在关联的总结演练。

促销与销量数据模拟

#建立数据框
n.store <- 50
n.week <- 156
store <- data.frame(matrix(NA, ncol = 10, nrow = n.store*n.week))
names(store) <- c("store_num", "year", "week", "p1sales", "p2sales",
                      "p1price", "p2price", "p1prom", "p2prom", "country")

#逐一创建变量
storeNumber <- 101:(100 + n.store)
## for store_num and country
store_ctr <- c(rep("US", 13), rep("DE", 10), rep("GB", 3), rep("BR", 5),
                 rep("JP", 5), rep("AU", 2), rep("CN", 12))
length(store_ctr)

store$store_num <- rep(storeNumber, each = n.week)
store$country <- rep(store_ctr, each = n.week)
rm(storeNumber,store_ctr)

## for week and year
store$week <- rep(1:52, times = n.store *3 )
store$year <- rep(rep(1:3,each = n.week/3), times = n.store)

store$store_num <- factor(store$store_num)
store$country <- factor(store$country)

## for p1prom and p2prom

set.seed(0017)

store$p1prom <- rbinom(n = nrow(store), size = 1, p = 0.2)
store$p2prom <- rbinom(n = nrow(store), size = 1, p = 0.25)


## for p1price and p2price
store$p1price <- sample(x = c(10.99,11.99,12.49,12.99,13.49),size = nrow(store), replace = T)
store$p2price <- sample(x = c(8.99,9.99,10.99,11.99,12.49),size = nrow(store), replace = T)

## for p1sales and p2sales
### 销量是计件数据，通过泊松分布生成获得,lambda为平均件数

n.sale1 <- rpois(nrow(store),lambda = 1020) 
n.sale2 <- rpois(nrow(store),lambda = 1357) 

#价格一般服从对数函数，预设：销量变化和价格成反比，产品1的销量上升程度取决于产品1的对数小于产品2价格对数
sale1 <- n.sale1*log(store$p2price)/log(store$p1price)
sale2 <- n.sale2*log(store$p1price)/log(store$p2price)

#考虑促销的影响，假如产品促销时候销量上升20%或25%

store$p1sales <- floor(n.sale1*(1+store$p1prom*0.2))
store$p2sales <- floor(n.sale2*(1+store$p2prom*0.25))


head(store)
str(store)
summary(store)

交易和满意度数据模拟

set.seed(0017)
#设定观察数量
n.qry <- 1500

# 逐一生成消费者基本信息变量
qry <- data.frame(id = factor(paste0("n",1:n.qry)))
qry$age <- rnorm(n = n.qry, mean = 30, sd = 10)
qry$credit_score <- rnorm(n = n.qry, mean = 2*qry$age +620, sd = 75) #信用积分与年龄存在关系
qry$email <- factor(sample(c("ja","nein"),size = n.qry, replace = T, prob = c(0.75,0.25))) #生成是否留有邮箱地址的变量
qry$distance_to_store <- exp(rnorm(n = n.qry, mean = 0.2, sd = 1.5))#确保都是正数

## 销量数据模拟

qry$online_visit <- rnbinom(n.qry, 0.4, mu = 10 +ifelse(qry$email == "ja",10,0)
                            -0.6*(qry$age- median(qry$age))) #网店访问次数，该变量符合负二项分布，我们设定留了邮箱的比没留的高10次，通过ifelse根据邮箱是否有取值；同时，也设定年轻用户访问频率更高，设定该用户年龄和中位数的差值来区别

qry$online_trans <- rbinom(n.qry,size = qry$online_visit, prob = 0.4)#交易次数，设定为访问数量的40%
qry$online_spend <- exp(rnorm(n.qry,mean = 10, sd = 0.5)) * qry$online_trans # 以rnorm生产单词消费金额，并获得总花费。

qry$store_trans <- rnbinom(n.qry, size = 5, mu = 3/sqrt(qry$distance_to_store))
qry$store_spend <- exp(rnorm(n.qry, mean = 15, sd = 0.8)) * qry$store_trans
# 线下实体店的交易次数和消费者距离实体店距离相关，

## 满意度数据模拟

### 基于问卷调查的「光晕效应」，先设定一个不存在于实际问卷中的总体满意度
stsf.overall <- rnorm(n.qry, mean = 4.1, sd = 0.5)
### 根据总体满意度，再由随机产生的与总体满意度的差值，形成分项满意度,并通过floor()函数将连续的数值变量转变为离散整数。
stsf.service <- floor(stsf.overall + rnorm(n.qry, mean = 0.4, sd = 0.5))
stsf.production <- floor(stsf.overall + rnorm(n.qry, mean = -0.3, sd = 0.7))
### 对满意度数值进行限定，以便符合一般李克特量表1~5分的要求
stsf <- cbind(stsf.service,stsf.production)

stsf[stsf.service > 5| stsf.production > 5] <- 5
stsf[stsf.service < 1| stsf.production < 1] <- 1

summary(stsf)

### 针对可能存在的问卷数据无回应而缺失的情况，模拟无回应问卷
no_response <- as.logical(rbinom(n.qry, size = 1, prob = qry$age/100)) # 假设年龄越大，回应问卷可能性越低
stsf[no_response] <- NA


## 最后合并到主体数据集
qry <- cbind(qry,stsf)

rm(stsf.overall,stsf.service,stsf.production,stsf)

总结

• 数据框：data.frame() 和matrix() 是生成空数据框的主要函数，一般而言数据框可以实现搭建，然后逐步填补，也可逐一添加，及至完成
• 字符变量：sample(x, size, replace = FALSE, prob = NULL)函数实现，x是样本生成的构成值的范围，size是抽样次数，replace是是否放回抽样，prob是各个值发生比
• 指数正态分布变量：rnorm(n, mean = 0, sd = 1) 生成随机数值，服从正态分布，一般适用于定比数据生成， 如年龄、收入、满意度等
• 二项式分布变量：rbinom(n, size, prob) 生成随机二项式服从逻辑分布，适用于是否型的变量数据生成
• 泊松分布变量：rpois(n, lambda)，lambda为非负数值均值，主要适用于离散概率分布，如人数、次数等
• 负二项分布变量：rnbinom(n, size, prob, mu) mu为负二项分布的均值，负二项分布为正数且右偏的数据， 主要适用于事件频数的生成

• 对数正态分布变量：rlnorm(n, meanlog = 0, sdlog = 1)，对数正态分布适用于都是正值，且极大值很少， 主要适用于到店距离等

• 变量重复： rep(x, times) x是重复的范围，times是次数

• 正整数因子变量：floor() 取数据变量为正整数，且成为因子变量