python 预测平方误差_小红书营销渠道效果预测分析-CSDN博客

本文链接：https://blog.csdn.net/weixin_42599908/article/details/112355477

本文介绍了使用Python进行小红书销售额预测的分析过程，包括数据收集、清洗、预处理、建立线性回归模型、模型优化，以及关键变量对销售额的影响。通过模型发现，用户过往购买金额、参与活动频率、下单间隔时间等因素对销售额有显著影响。

摘要由CSDN通过智能技术生成

（下面是数据分析相关的项目，可以提点修改意见哦）

本周的任务是协助小红书分析不同的业务决策所带来的销售额变化。说到小红书，是目前非常热门的电商平台。

和其他电商平台不同，小红书是从社区起家。在小红书社区，用户通过文字、图片、视频笔记的分享，记录了这个时代年轻人的正能量和美好生活。

小红书通过机器学习对海量信息和人进行精准、高效匹配，已累积海量的海外购物数据，分析出最受欢迎的商品及全球购物趋势，并在此基础上把全世界的好东西，以最短的路径、最简洁的方式提供给用户。

本周你的任务就是根据用户数据以及消费行为数据，完成以下事项：

• 使用Python建立线性回归模型

• 预测用户的消费金额变化

• 找到对用户消费影响较大的因素

• 使用Python建立线性回归模型

• 预测用户的消费金额变化

• 找到对用户消费影响较大的因素

需要的数据支持：

• 用户购买金额

• 用户属性信息

• 用户购买行为特征

数据收集来源：小红书数据（此数据由小灶能力派提供）

查看数据

red.head()

预测目标：revenue用户下单金额

用户自然属性：gender性别

age年龄

用户行为特征：lifecycle生命周期（A注册6个月内，B注册1年内，C注册2年内）

engaged_last_30最近30天在APP上参与重要活动

days_since_last_order 最近一次下单距今天数（小于1代表当天下单）

previous_order_amount 用户以往累积购买金额

3rd_party_stores用户过往在第三方APP购买的数量（0代表只在自营产品中购买）

检查数据是否有缺失值：可看到数据共29452行，字段gender、age、engaged_last_30存在缺失值；且字段gender、engaged_last_30数据类型错误，应该为object类型

检查数据是否有异常值：可以看出字段revenue和previous_order_amount的标准差都比较大，数据或许有离群值

red.describe()

数据清洗：

对于字段gender、age、engaged_last_30存在缺失值进行统计，缺失值占比约为40%，不能直接删除缺失值，否则会损失非常多的数据

red.isnull().sum()/len(red)

缺失值的处理：先处理连续变量，再处理类别型变量，会使得整个处理变得很简单

连续型变量：均值填充、中位数填充或者数据模型填充等方法

red.loc[~red['age'].isna(),'age'].describe()
#注意：看age去除缺失值外的统计值，筛选用loc,判断是否是缺失值用isna，否定条件用~