python groupby agg_用Python整理销售数据

最新推荐文章于 2022-10-27 17:29:27 发布
最新推荐文章于 2022-10-27 17:29:27 发布
阅读量124 收藏
点赞数
文章标签： python groupby agg

数据依然是来自阿里天池的销售数据，上篇文章有写

下面使用的RFM分析方法的代码主要来自于简书的这篇文章用Python实现RFM模型——互联网产品用户分层必备技巧

本来还想用用其它分析方法的，但是为了彻底理解这篇文章中的代码搞了半天

所以说本来还准备分析的一部分内容如下：如果客户是婴儿的父母，只考虑为了婴儿购买商品的情况下，婴儿出生日期、购买日期以及客户留存时长，以及婴儿在什么年龄段需要购买哪种商品，我觉得是有相关性的，这个相关性分析留在下一篇文章吧

首先还是用Python读取数据，用merge生成新表的时候，自动删除了一部分未匹配到的数据，在数据库连接中应该是内连接的方式就是取两个表格的user_id的交集部分

import

检查数据是否有空值

new_data

结果显示如下

v2-9475a21a90aaded4743334de1be25f48_b.jpg

property是商品属性，这一栏对之后的分析作用不大，先删去，生成一个新表名称为shopping_data，并且检查该表格是否有空值，重复值，结果显示都没有

shopping_data

通过上次的描述统计发现最晚购买商品的人是在2015年2月，所以最近一次购买时间就定为2015年3月1日减去购买时间，然后求RFM，求RFM主要使用了groupby和agg函数，groupby函数就是按照user_id分别对最近一次购买时间、购买行为以及购买数量分类（本来应该用购买金额的，但是没有，就用购买数量代替了）；agg函数就是对groupby分类的数据进行取值，min代表最小值，count代表总次数，sum代表总数量；最后用jion函数合并3个列

shopping_data

然后，我事先看了一下数据，总计消费频次和总计消费数量为1的占了很大一部分，所以就只对最近一次消费进行了分数分类（还有一个原因就是数据右偏分布明显）

bins

对F和M用的是一般分类，右偏明显所以分类稍微在左边分的紧凑一些，右边分散一些

bins

数据大致展示如下

v2-a12ef578beb0248d93fa18bb3d1a55a9_b.jpg

最后就进行了客户分类

RFM_model

因为一直没搞懂怎么用matplotlib.pyplot这个包显示中文，所以最后还是把数据导出后，做了汇总以后做了一个饼图

v2-77dd1256426c8c394e960ffeffc2e69c_b.jpg
weixin_39564386
关注
python分组求和法_python – 如何将groupby值的总和除以另一个值的count
weixin_39850062的博客
12-10 2544
我想通过’label’和’month’分组来计算每个月和每个标签的销售数量.我正在尝试’groupby和apply’方法来实现这一目标,但不确定如何计算每个标签的月份.比方说,对于标签值AFFLELOU(DOS),我有7个月的两个值.所以,我应该将销售数量相加并除以2.在第9个月和第10个月,我只有一个值,所以计数为1,它将除去销售数量.我编写了下面的代码,但它不会将count作为函数并且返回计数...
python groupby agg_使用pandas GroupBy.agg（）对同一列进行多次聚合
weixin_39572168的博客
12-21 1753
大熊猫> = 0.25：命名汇总熊猫已经改变了行为，GroupBy.agg转而使用更直观的语法来指定命名聚合。请参阅0.25文档部分中的增强功能以及相关的GitHub问题GH18366和GH26512。从文档中为了通过控制输出列名来支持特定于列的聚合，pandas接受特殊的语法GroupBy.agg()，称为“命名聚合”，其中关键字是输出列名称值是元组，其第一个元素是要选择的列，第二个元素是...
python中groupby后的agg聚合统计
微信公众号（年更选手）：数据闲逛人 | Github开源项目：数分/数挖study路线 https://github.com/jc-dian/python_data_analysis
08-19 1949
groupby后我最头痛的是索引位置感觉不太对，不符合自己想要的，所以经常想将其变成dataframe格式，因为这样我们就可以用很多方法去运算处理了，这时最简单的方法是修改其参数as_index=False，详细情况可以看下面这篇文章 groupby后将其转换为Dataframe格式的两种方法 而这里想说的是groupby后的agg函数，直接上代码 agg函数具体用法可以看这篇文章 # 先看看数据长什么样子 data_merge rfm_gb = data_merge.groupby(['year','
Python数据分析：探索性分析
简说Python的博客
05-15 1558
文章来源：可乐的数据分析之路作者：虾壳可乐一、描述性统计分析 Excel里可以用【数据分析】功能里的【描述统计】功能来查看数据集常用的统计指标，但这里只能是对数值型的数据进行统计。pan...
python groupby与agg的使用方法
jwtning的博客
08-03 1万+
import pandas as pd import numpy as np df = pd.DataFrame({'key1':['a', 'a', 'b', 'b', 'a'], 'key2':['one', 'two', 'one', 'two', 'one'], 'data1':np.random.randint(1,10,size=5),#返回5个1到10之间的整数,[1,10)
df.groupby()
Jennie
04-02 1万+
参考https://blog.csdn.net/m0_37870649/article/details/80979809 df_Apurchase_by_UID_Gender=data.groupby(['User_ID','Gender']).agg({'Purchase':np.mean}).reset_index() print(df_Apurchase_by_UID_Gender.head...
python中分组函数groupby和分组运算函数agg的使用
qq_43624747的博客
07-05 4628
python中分组函数groupby和分组运算函数agg小结 导入numpy和pandas库 import pandas as pd import numpy as np df = pd.DataFrame({'A': ['a', 'b', 'a', 'c', 'a', 'c', 'b', 'c'], 'B': [2, 7, 1, 3, 3, 2, 4, 8], 'C': [100, 87, 96, 130, 1
python group by用法_python—group by
weixin_39675728的博客
12-08 3243
原文链接：公众号数据森麟 https://mp.weixin.qq.com/s/SScvQEjgnsSZWna-n-38Sg01 如何理解pandas中的groupby操作groupby是pandas中用于数据分析的一个重要功能，其功能与SQL中的分组操作类似，但功能却更为强大。理解groupby的原理可参考官网给出的解释：其中：split：按照某一原则(groupby字段)进行拆分，相同属性分...
python pandas groupby agg
jia_shun_L的博客
11-21 459
1 groupby 分组函数：df.groupby([“col_name”,“col_name”]) 2 agg 聚合函数：df_gb.agg=({“col_name”:[“min”,“max”],“col_name”:[“min”,“max”]}) import pandas as pd df = pd.DataFrame({'Country':['China','China', 'Indi...
python groupby用法_Pandas之超好用的Groupby用法详解
weixin_39627390的博客
12-08 1430
在日常的数据分析中，经常需要将数据根据某个(多个)字段划分为不同的群体(group)进行分析，如电商领域将全国的总销售额根据省份进行划分，分析各省销售额的变化情况，社交领域将用户根据画像(性别、年龄)进行细分，研究用户的使用情况和偏好等。在Pandas中，上述的数据处理操作主要运用groupby完成，这篇文章就介绍一下groupby的基本原理及对应的agg、transform和apply操作。为了...
python groupby apply_python - 如何使groupby.apply（）快速运行 - 堆栈内存溢出
weixin_28837817的博客
01-13 712
我已经完成了一些功能设计，如下所示：def do_group_mean(df, group_cols, cols):agg_name = ('{}_by_{}_{}'.format(('_'.join(group_cols)), (cols), ('mean')))df = df.merge(df[group_cols + [cols]].groupby(group_cols)[cols].mea...
购物篮分析-关联分析
Sarah_07的博客
05-16 1956
basketanalysis中涉及的关联算法概述和主要代码实例
电商销售数据分析
linglish的博客
04-13 741
# 导入模块 import pandas as pd import matplotlib.pyplot as plt # 读取csv文件 df2019= pd.read_csv("/Users/Lily/2019年下半年订单表.csv") df2020= pd.read_csv("/Users/Lily/2020年上半年订单表.csv") # 使用pd.concat()函数纵向合并df2019、df2020 dfYear= pd.concat([df2019,df2020]) # 将"下单时间"...
python pandas中groupby()的使用，sum和count
热门推荐
qq_39290990的博客
11-20 6万+
groupby[根据哪一列][对于哪一列]进行计算。
Python groupby 分组 再求平均值 求和 agg聚合 transform不改变形状应用函数
好记性不如烂笔头
10-27 6668
一、 groupby 依据某列分组； groupby 依据多列分组； 二、应用 mean sum count std median size max min等函数聚合数据； 三、transform 不改变数据形状（相当于计算后替换原来的每一个元素）
简要说明python pandas中groupby，agg等的用法
leokingszx的博客
10-01 1万+
以下列代码为例： import numpy as np import pandas as pd import pandas as pd df = pd.DataFrame({'key1':list('aaaab'), 'key2': ['one','two','one','two','one'], 'data1': np
【Python】groupby 和 agg 实现string聚合（collect_set）
gulie8的博客
06-24 1730
以下内容转载自： --------------------- 作者：喜东东cc 来源：CSDN 原文：https://blog.csdn.net/qq_34105362/article/details/84345044 版权声明：本文为博主原创文章，转载请附上博文链接！ 一、目的： 通过Pandas中的groupby和agg结合自定义函数，实现针对string...
DataFrame对象groupby.agg方法总结
miaogegegege的博客
10-27 2万+
通俗解释： groupby为对原DataFrame进行打包分组，agg为聚合（其操作包括max、min、std、sum、count）。   DataFrame数据： >>> df = pd.DataFrame({'A': [1, 1, 2, 2], ...                    'B': [1, 2, 3, 4], ...               ...
python pandas 实现SQl的count(*),count(distinct **)
IBoyMan
03-09 1万+
实现也非常简单，不过多啰嗦，见代码注释： pv uv 代指 select host，count(*),count(distinct ad) from table group by ; # -*- coding:utf-8 -*- import pandas as pd from datetime import datetime def Main(): print("开始。。。。。...
python groupby agg
最新发布
03-16
你好！在Python中使用groupby函数和agg函数可以方便地对数据进行分组和聚合操作。 首先，groupby函数可以将数据按照某个条件进行分组。例如，如果我们有一个DataFrame对象df，想要按照某一列的值进行分组，可以使用以下代码： ``` grouped = df.groupby('列名') ``` 这样，我们就得到了一个按照该列进行分组的GroupBy对象。接下来，我们可以使用agg函数对每个组进行聚合操作。例如，我们想要对每个组求出平均值和总和，可以使用以下代码： ``` result = grouped.agg({'列1': 'mean', '列2': 'sum'}) ``` 其中，字典中的键是需要聚合的列名，值是聚合函数。在上面的例子中，我们对列1求平均值，对列2求总和。 除了字典形式外，我们还可以使用自定义函数进行聚合操作。例如，我们想要对每个组求出最大值和最小值的差值，可以使用以下代码： ``` def diff(series): return series.max() - series.min() result = grouped.agg(diff) ``` 这里，我们定义了一个自定义函数diff，对于每个组的Series对象，该函数返回最大值和最小值的差值。最后，我们将这个函数传递给agg函数即可。 希望这些例子能帮助你理解在Python中如何使用groupby和agg函数进行数据分组和聚合操作。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值