某电商平台数据分析报告（1）

某电商平台数据分析报告（1）——代码部分
1.说明：撰写代码更为精进，质量更高，将多次调用的方法和参数打包为函数，一改往日代码冗长的风格。
2.1引入第三方库：

import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt
import matplotlib
import seaborn as sns 
import datetime

2.2 整体数据概况 ：

                            图1

据观察：目前看来，在channeId字段存在缺失，其他数据基本完整，前三条记录无异样。
3.1 数据清洗：采用各个字段分别处理，相关字段合并处理的方法。对其异常值，重复值，缺失值进行相关的处理。
orderId（订单ID) ：去重

print(df.orderId.unique().size)        
df.drop(index=df[df['orderId'].duplicated()].index,inplace=True)

userId（用户ID)：可以出现多个相同ID，也没有缺失值，无操作。
productId: 无缺失值，允许存在重复值，观察可知，字段中有0出现，可能是刚刚上架\下架所致，因为没有关于productId的具体数据，且该字段为0的数据不多，删除。

df.drop(index=df[df['productId']==0].index,inplace=True)

cityId（城市ID）：无缺失无异常，允许重复值，无操作。
price&payMoney（价格&实付金额）：联合处理。据观察，price字段最小值为600，不合常理，且价格后两位都为0，判断该数据单位为分，除以100即可，去除payMoney <=0 的值，查看是否存在支付金额大于原价格的记录。

df['price']=df['price']/100        
df['payMoney']=df['payMoney']/100
df.drop(index=df[df['payMoney']<0].index,inplace=True)
print(df[df['payMoney']>df['price']])

channeId（渠道ID）：存在缺失值，无异常,可重复。

df.drop(index=df[df['channelId'].isnull()].index,inplace=True)

deviceType（设备类型）：无异常，可重复。数据显示为类型ID共6种，文本说明里对应5种，将其ID改为原有设备名，对于第六种，因缺失对应值删除。

df.drop(index=df[df['deviceType']==6].index,inplace=True)
 d={'1':'PC',        
    '2':'Android',        
    '3':'iPhone',        
    '4':'Wap',
    '5':'other'}
df['deviceType']=df['deviceType'].astype(str).replace(d)

createTime&payTime（订单时间&支付时间）
时间格式转换为pandas类型，无重复无缺失，删除订单时间大于支付时间，删除订单时间和支付时间相隔较长，设定此次时间间隔为30分钟，以下单时间为准，只取在2016.1.1-2016.12.31.23.59.59时间段内。

start_time=datetime.datetime(2016,1,1)
final_time=datetime.datetime(2016,12,31,23,59,59)
df['createTime']=pd.to_datetime(df['createTime'])
df['payTime']=pd.to_datetime(df['payTime'])
df.drop(index=df[df['createTime']<start_time].index,inplace=True)
df.drop(index=df[df.createTime > df['payTime']].index,inplace=True)
df.drop(index=df[(df['payTime']-df['createTime']).dt.total_seconds()>1800].index,inplace=True)

至此，数据清洗完毕。
4.数据分析（代码）：
4.1
GMV: 9.47 千万
实际支付额：8.98 千万
客单价： 869.54元
全年订单数量：103308
全年用户数量：101450

#GMV  9.47千万        
print(df.price.sum()/10000000)#94793726.0        
#净成交总额 8.98千万        
print(df.payMoney.sum())#89831006.4        
#客单价        
print(df.payMoney.sum()/df.userId.count())        
# 订单数量        
print(df.orderId.unique().size)        
# 用户数量        
print(df.userId.unique().size)

每月销售额：

#每月销售额\实际成交额        
df['month']=df['createTime'].dt.month        
month_GMV=df.groupby('month')['price'].sum()/1000000#百万为单位        
month_clean_amount=df.groupby('month')['payMoney'].sum()/1000000#百万为单位         

一周七天内订单数量：

df['day']=df['createTime'].dt.dayofweek        
week=['星期一','星期二','星期三','星期四','星期五','星期六','星期天']        
day=df.groupby(by='day')['orderId'].count()        
day.index=week

获取渠道前20 和后20：

channelId_data1=df.groupby(by='channelId')['userId'].count().sort_values(ascending=False)[:20]        
channelId_data2=df.groupby(by='channelId')['userId'].count().sort_values(ascending=True)[:20]

城市ID划分前20和后20：

city_id1=df.groupby(by='cityId')['userId'].count().sort_values(ascending=False)[:20]        
city_id2=df.groupby(by='cityId')['userId'].count().sort_values(ascending=True)[:20]

流量来源：

data_device=df.groupby(by='deviceType')['userId'].count()

最优价格区间：

#最优价格区间        
bins=[0,1000,3000,6000,10000,20000]        
df['price_around']=pd.cut(df['price'],bins)
price_around=df['price_around'].value_counts()        
print(price_around)

最受欢迎产品前10 和后10名：

product1=df.groupby(by='productId')['userId'].count().sort_values(ascending=False)[:10]        
product2=df.groupby(by='productId')['userId'].count().sort_values(ascending=True)[:10]       

复购率（调用pivot_table（）用户为行，月份为列，计算每个月的复购率）：

#复购率        
user_count=df.pivot_table(index='userId',columns='month',values='createTime',aggfunc='count').fillna(0)        
# print(user_count)        
twice_user=user_count.applymap(lambda x:1 if x>1 else np.nan if x==0 else 0)        
repeat_prpority=round(twice_user.sum()/twice_user.count(),4)        
# print(repeat_prpority)

RFM模型：

def func(x):    
level=x.apply(lambda x:'1' if x>=1 else '0')    
label=level.R+level.F+level.M    
d={'011':'重要价值客户','111':'重要唤回客户','001':'重要深耕客户','101':'重要挽留客户','010':'潜力客户','110':'一般维持客户','000':'新客户','100':'流失客户',}    
return d[label]

#RFM        
df['order']=1        
df['createTime']=pd.to_datetime(df['createTime'],format='%Y-%m-%d')        
dff=df.pivot_table(index=df['userId'],values=['payMoney','createTime','order'],        
aggfunc={'payMoney':'sum', 'createTime':'max','order':'count'})        
dff['R']=(dff['createTime'].max()-dff['createTime']).dt.days        
# print(dff)        
dff=dff.rename(columns={'order':'F','payMoney':'M'})        
dff['label']=dff[['R','F','M']].apply(lambda x:x-x.mean()).apply(func,axis=1)        
# print(dff)        
label=dff['label'].value_counts()        
# sns_bar(label)        
print(label)

可视化分别打包成函数，方便调用，调用时，改变个别参数即可：

def sns_bar(a):    
plt.figure(figsize=(20,8),dpi=80)        
sns.barplot(x=a.index,y=a.values,palette='deep')    
#x_label=['{}月份'.format(i) for i in a.index]   
#plt.xticks(range(len(a.index)),a.index,rotation=90)    
plt.xlabel('类型')    
plt.ylabel('人数')    
plt.title('RFM模型')
sns.barplot(x=a.index,y=a.values,palette='deep')    
plt.xticks(range(len(a.index)),a.index)        
    for a,b in zip(range(len(a.index)),a.values):        
	plt.text(a,b,b,ha='center')        
plt.show()
def plt_plot(a,b):    
plt.title('各个月份 GMV\实际成交额 ')    
plt.plot(a.index,a.values,marker='*',label='GMV')    
plt.plot(a.index,b.values,marker='o',label='实际成交额')    
# x_label=['{}月份'.format(i) for i in a.index]    
plt.xticks(a.index,rotation=45)    
plt.xlabel('月份')    
plt.ylabel('金额')    
plt.legend()    
#折线坐标    
for a,b in zip(a.index,a.values):        
	plt.annotate('(%.2f万)'%b,xy=(a,b),xytext=(-10,10),textcoords='offset points')    
plt.show()
def plt_pie(a):    
plt.figure(figsize=(20,8),dpi=80)    
plt.title('最优价格区间')    
plt.pie(a,labels=a.index,shadow=True,autopct='%1.2f%%')    
plt.show()