python 广告分析算法_广告效果分析——基于K-Means算法分层

数据介绍

本案例的业务场景：

假如你们公司投放广告的渠道很多，每个渠道的客户性质也可能不同，比如在优酷视频投广告和今日头条投放广告，效果可能会有差异。现在需要对广告效果分析实现有针对性的广告效果测量和优化工作。

数据13个维度介绍

1、渠道代号：渠道唯一标识

2、日均UV：每天的独立访问量

3、平均注册率=日均注册用户数/平均每日访问量

4、平均搜索量：每个访问的搜索量

5、访问深度：总页面浏览量/平均每天的访问量

6、平均停留时长=总停留时长/平均每天的访问量

7、订单转化率=总订单数量/平均每天的访客量

8、投放时间：每个广告在外投放的天数

9、素材类型：'jpg' 'swf' 'gif' 'sp'

10、广告类型：banner、tips、不确定、横幅、暂停

11、合作方式：'roi' 'cpc' 'cpm' 'cpd'

12、广告尺寸：'14040' '308388' '450300' '60090' '480360' '960126' '900120'

'390270'

13、广告卖点：打折、满减、满赠、秒杀、直降、满返

导入库，导入数据

import pandas as pd

import numpy as np

import matplotlib as mpl

import matplotlib.pyplot as plt

from sklearn.preprocessing import MinMaxScaler,OneHotEncoder #标准差标准化，独热编码

from sklearn.metrics import silhouette_score # 导入轮廓系数指标

from sklearn.cluster import KMeans # KMeans模块

%matplotlib inline

## 设置属性防止中文乱码

mpl.rcParams['font.sans-serif'] = [u'SimHei']

mpl.rcParams['axes.unicode_minus'] = False

f=open('E://Python练手//一些数据//ad_performance.csv',encoding = 'utf-8')

ad_data = pd.read_csv(f).iloc[:,1:]

ad_data.head()

数据审查

查看基本状态

ad_data.head()

ad_data.info() #打印数据类型

RangeIndex: 889 entries, 0 to 888

Data columns (total 13 columns):

渠道代号 889 non-null object

日均UV 889 non-null float64

平均注册率 889 non-null float64

平均搜索量 889 non-null float64

访问深度 889 non-null float64

平均停留时间 887 non-null float64

订单转化率 889 non-null float64

投放总时间 889 non-null int64

素材类型 889 non-null object

广告类型 889 non-null object

合作方式 889 non-null object

广告尺寸 889 non-null object

广告卖点 889 non-null object

dtypes: float64(6), int64(1), object(6)

memory usage: 90.4+ KB

ad_data.describe().round(2).T #打印原数据基本描述信息

上面代码，分别展示前五条数据、所有特征的数据类型、以及数值型特征的五值分布

—————————————————————————————