商品按id进行查找按名称进行排序_对数据进行探索性分析--

【前言】

本次分析的数据来源：

Baby Goods Info Data-数据集-阿里云天池​tianchi.aliyun.com

本次分析的过程如下，一共分为5大步骤：

明确问题→理解数据→数据清洗→数据分析或构建模型→数据可视化；

---

【一】明确问题

在开始分析之前，必须要先明确分析的目标是什么，才能便于我们去选择分析的维度和方法；

这份数据集是关于婴儿用品的购买的情况，由两份表组成，分别是“用户购买商品的数据”和“用户（婴儿）情况”；

我希望，从这两份数据表中能对一下几个问题进行分析并找出答案：

1、哪种商品的累计销售数量最多？

可用字段：商品一级分类、商品二级分类、购买数量；

2、季度的差异会对用户的购买力有影响吗？

可用字段：购买时间、购买数量；

3、用户的年龄段分布是怎么样的，什么年龄段的用户购买商品的数量最多？

（什么年龄的客户消费力最强）

可用字段：购买时间、出生日期、购买数量、商品一级分类、商品二级分类；

4、不同性别婴儿对商品的购买偏好对比；

可用字段：性别、购买数量；

---

【二】理解数据

两份数据表中出现的如下字段：

1、用户购买商品的数据表（下称表1）：

user_id:用户id；

auction_id:物品编号（item_id）；

day:购买时间；

cat_id: 商品二级分类；

cat1: 商品一级分类；

property:商品属性；

buy_mount:购买数量；

2、用户（婴儿）情况表（下称表2）

user_id:用户id；

birthday：出生日期；

gender：性别；（0女性；1男性；2未知的性别）

3、为了便于对表格进行观察和操作，把表格的列宽调整为15。

---

【三】用EXCEl对数据进行清洗

1、选择子集

（1）通过观察，识别出“用户ID”这一列是两份表格中的关键字段；

（2）将表格中用不上的“列”隐藏掉，避免表格中含有过多杂乱的信息，如表一中的“商品属性”“商品编号”，表二中无需要隐藏的字段信息。

2、把英文的的列名称改成中文的，便于自己使用。

3、删除重复值

表一：

表二没有发现重复值。

4、缺失值处理

两个表格中，“用户ID”是识别用户的唯一值，所以，以“用户ID”该列数据量的作为整个表格寻找缺失值的基数。

得到表一“用户ID”列共有29945个数据，表中的其他列与之对比后，并无发现有缺失值，表二亦无缺失值。

如有缺失值，可使用以下办法进行处理：

（1）通过定位的功能查找表格中的空值（如要快速填充空值，待定位出空值后，输入“=需要填写的值，同时按下CTRL+ENTER”）

（2）删除缺失位置；

（3）用平均值代替缺失值；

（4）用统计模型计算出值来代替这个缺失值；

5、对数据列中的值进行统一化处理

两个表格中，需要对日期和出生日期进行统一的格式处理，便于稍后通过用户的出生日期及购买时间使用DATEDIF函数计算出用户的年龄；再用IF函数将婴儿用户的性别从数字转换成中文。

（1）对日期的一致化处理

→处理前：

表一的“购买时间”

表二的“生日”

→处理方法：①通过“分列”功能，将日期处理第一次；②处理后的日期仍不是我最想要的整齐度，于是拉黑日期列，右键选中“单元格格式”--“自定义”--"yyyy-mm-dd"，最终如下图所示。

→处理后：

格式统一之后的表一“购买时间”

格式统一之后的表二“出生日期”

（2）对婴儿用户性别的一致化处理

将性别从数字（0、1、2）统一转换为女、男、未知性别。

→原始

→使用公式[ =IF(目标单元格=2,"未知性别",IF(目标单元格=1,"男","女")) ]

→最后将转换成中文的这一列复制--粘贴成值，再把原数字性别那一列删除。

6、对数据进行排序，发现异常值、处理异常值

对表一的“购买数量”进行排序：

“筛选”功能--降序

排序后发现，第一行的数据过大，判定为异常值，将其删除；

---

【四】对数据进行分析

以上是花了过半的时间对数据进行认识、理解、清洗，现在可以对数据进行剖析了。

1、对数据进行透视来解答问题；

第一个问题 → 哪种商品的累计销售数量最多？

商品一级分类的累计销量降序排列

商品二级分类的累计销量降序排列

由此可见，一级分类28的销量最好，共卖出了28537份，二级分类商品销量最好的则是一级分类类别50022520下面的50011993，共卖出3609份。

第二个问题 → 季度的差异会对用户的购买力有影响吗？

季度销量表

季度销量百分比表

由此可见，第四季度的累计销量是最好的。

第三个问题 → 用户的年龄段分布是怎么样的，什么年龄段的用户购买商品的数量最多？

（什么年龄的客户消费力最强）

首先，先把表一的内容，用VLOOKUP函数跨表联动至表二中，再通过婴儿生日日期及购买时间来用DATEDIF函数（注意：函数中，结束时间＞初始时间）计算婴儿用户的年龄。

通过观察，能够发现表格中“婴儿年龄”这一列的数据由错误值（N/A）以及“0”，对数据进行理解后，把错误值和“0”的表述更改为“未出生”、“不到1周岁”。

使用VLOOKUP把表一数据匹配后的表二

再对数据进行排序，判定“28”这个数值属于异常值，将其删除。

使用VLOOKUP把表一数据匹配后的表二--排序

对数据表按需求进行透视：

婴儿用户年龄分布情况

不同年龄用户的购买力

由此可见，“未到一周岁”这个年龄段的用户人数最多，购货数量也是最多的。

第四个问题 → 不同性别婴儿对商品的购买偏好对比；

在第三问的基础上，直接能够构建出需要的透视表：

不同性别婴儿用户的购买情况

不同性别婴儿用户的购买情况百分比表

由此可见，男性婴儿用户对于50008168商品的购买量最多，而女性婴儿用户则对于50014815商品的购买量最多。总体来讲，50014815商品被购买的数量最多。