用户消费行为数据分析【Python】

已于 2023-03-28 09:43:37 修改
阅读量2.1k 收藏 43
点赞数 4
分类专栏： # 数据分析 文章标签： python 数据分析
于 2022-12-19 22:52:29 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45488428/article/details/128378735
版权

任务1：数据预处理

表格数据资源如下百度网盘👇

链接：https://pan.baidu.com/s/1pUYfRIe557v6O9ByB2rhEw 提取码：ovgl

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# %matplotlib inline
# 更改绘图风格，此处是R语言的风格
plt.style.use('ggplot')
image-20221214141834587

数据存放在.txt文件中，属性值没有列名且每列数值以空格作为分隔符

# 读取的 txt 数据中没有列名，因此需要手动添加
coloums=['user_id','order_dt','order_products','order_amount']
# sep='\s+' 表示以任意空格作为不同属性的分隔符
data = pd.read_table('CDNOW_master.txt',names=coloums,sep='\s+')
data
image-20221214142049674
  • user_id：用户 I D ID ID
  • order_dt：购买日期
  • order_products：购买产品数量
  • order_amount：购买金额
# 查看数据一些基本数值信息
data.describe()
image-20221214142618031

任务2：将order_dt列转换为标准日期格式

# format参数：按照指定的格式去匹配要转换的数据列
# %Y：四位的年份     %m：两位的月份     %d：两位的天【几号】
# %y：两位的年份     %h：两位的小时     %M：两位的分钟     %s：两位的秒
data['order_dt']=pd.to_datetime(data['order_dt'],format='%Y%m%d')
data
image-20221214163633249

增添一列month，用来存放年份与月份的日期信息

# month这一列也是存放日期，不过精度只到月份；M 即控制精度到月份
data['month']=data['order_dt'].astype('datetime64[M]')
# data.drop(columns='month',inplace=True)
data
image-20221214164011367

任务3：统计每月产品购买数，消费金额

同年同月的产品购买数，消费金额再相加即可

# 设置画布大小【即绘制的图形大小】
plt.figure(figsize=(12,5))

# 总共绘制1行2列，当前准备绘制第1行第1列的图形
plt.subplot(121)
# 每月的产品购买数量
data.groupby(by='month')['order_products'].sum().plot()
plt.title('每月的产品购买数量')

# # 每月的消费金额
plt.subplot(122)
data.groupby(by='month')['order_amount'].sum().plot()
plt.title('每月的消费金额')
plt.show()
image-20221214165001673

任务4：统计每月的消费次数

# count()统计同一组 user_id 条目出现的个数
data.groupby(by='month')['user_id'].count().plot()
plt.title('每月的消费次数')
plt.show()
image-20221214165544395

任务5：统计每月消费人数

# map()是对Series中的每个具体元素进行映射；apply()是对整个Series进行映射
# 此处将 user_id 去重后再进行人员统计，确保一个用户只被计算一次
data.groupby(by='month')['user_id'].apply(lambda x: len(x.drop_duplicates())).plot()
plt.title('每月的消费人数')
plt.show()
image-20221214165707713

任务6：散点图展示用户购买商品数量与价钱关系

# 将 data 按照 user_id 分组，对于其他列进行求和处理【日期列无法求和，因此被丢弃】
user_id_group = data.groupby(by='user_id').sum()
# 绘制散点图，x 轴为 order_products；y 轴为 order_amount【斜率正好为平均单价】
user_id_group.plot(kind='scatter',x='order_products',y='order_amount')
plt.xlabel('商品总数')
plt.ylabel('商品总价')
plt.show()
image-20221216142416119

任务7：直方图统计订单消费金额与用户购买数量

# 设置画布大小，即绘制图形的大小
plt.figure(figsize=(12,8))
# 总共有1行2列个图，当前画第1个
plt.subplot(121)
# 订单的消费金额
# hist 代表直方图；柱子宽度=(最大值-最小值)/bins，所以bins越大，直方图越细
data['order_amount'].plot(kind='hist',bins=50)
plt.xlabel('每个订单的消费金额')
plt.ylabel('次数')

# 总共有1行2列个图，当前画第2个
plt.subplot(122)
# 每个用户的购买数量
data.groupby(by='user_id')['order_products'].sum().plot(kind='hist',bins=50)
plt.xlabel('每个用户购买数量')
plt.ylabel('次数')
plt.show()
image-20221216143107777

任务8：统计用户消费金额贡献率

8.1 按照用户消费金额进行升序排序

# 按照用户消费金额进行升序排序，合并掉一些条目后索引会乱，因此需要重置索引reset_index
user_sum_amount=data.groupby(by='user_id')['order_amount'].sum().sort_values().reset_index()
user_sum_amount
image-20221216143519037

8.2 增添amount_cumsum列记录用户消费金额累加和

# cumsum()是对列表求前缀和并保存再新列表，如[1,2,3]计算后变[1,3,6]
user_sum_amount['amount_cumsum']=user_sum_amount['order_amount'].cumsum()
user_sum_amount
image-20221216143804609

8.3 增添prop贡献率列

# 所有订单amount的累加和
amount_total = user_sum_amount['amount_cumsum'].max()
# 当前订单的累加和/总累加和 == 贡献率
user_sum_amount['prop']=user_sum_amount['amount_cumsum'].apply(lambda x:x/amount_total)
user_sum_amount
image-20221216144254831

8.4 绘制贡献率折线图

user_sum_amount['prop'].plot()
plt.xlabel('前X名用户')
plt.ylabel('金额贡献率')
plt.show()
image-20221216144342888

任务9：统计用户最早购买时间

# 取出用户的最早购买时间并对相同时间的用户进行计数
data.groupby(by='user_id')['order_dt'].min().value_counts().plot()
plt.xlabel('用户最早购买时间')
plt.ylabel('计数')
plt.show()
image-20221216153218266

任务10：利用RMF模型对用户进行分类

10.1 RMF模型

为了进行精细化运营，可以利用RFM模型对用户价值指数（衡量历史到当前用户贡献的收益)进行计算

  • R(Recency，最近一次消费）：R值越大，表示客户交易发生的日期越久，反之则交易发生的日期越近
  • F(Frequency，消费频率)：F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃
  • M(Monetary，消费金额)：M值越大，表示客户价值越高，反之则表示客户价值越低
image-20221216163855306

RFM计算方式：每一列数据减去数据所在列的平均值，有正有负，根据结果值与 1 做比较，如果 >=1 ，设置为1，否则0

所以最后会生成000~111共8种分类结果，如上图👆

# pandas 自带透视表函数【透视表可以理解为对不同列进行不同聚合操作后形成的临时表】
# index指定透视表索引【重复项被合并】；values指定透视表列；aggfunc规定对不同列的聚合函数
rfm = data.pivot_table(index='user_id',
                      values=['order_products','order_amount','order_dt'],
                      aggfunc={
                          'order_products':'sum',  # 用户购买产品总数
                          'order_amount':'sum',   # 用户购买产品总金额
                          'order_dt':'max'   # 用户最后一次消费时间
                      })
rfm.head()
image-20221216185916893 
# 增添 R列 记录当前用户最后一次购买时间与统计中最晚一次购买时间相隔的天数
# /np.timedelta64(1,'D')将日期以天数进行存储，并保留1位小数
rfm['R']=(rfm['order_dt'].max()-rfm['order_dt'])/np.timedelta64(1,'D')
# F列 记录当前用户购买的产品总数，正好和order_products一致，因此直接替换；M列的处理同理
rfm.rename(columns={'order_products':'F','order_amount':'M'},inplace=True)
rfm
image-20221216190116551 
# 传入的 x 存储了 data 中R,F,M列与对应列平均值的差值
def rfm_func(x):
    # 如果当前差值大于等于1就令新列取1，否则取0
    level = x.apply(lambda x:'1' if x>=1 else '0')
    # 将 level 的三列进行拼接可以得到一个长度为3的二进制字符串
    label=level['R']+level['F']+level['M']
    # 手动创建字典映射
    d={
        '111':'重要价值客户',
        '011':'重要保持客户',
        '101':'重要发展客户',
        '001':'重要挽留客户',
        '110':'一般价值客户',
        '010':'一般保持客户',
        '100':'一般发展客户',
        '000':'一般挽留客户'
    }
    # 按照拼装好的二进制去字典中寻找其对应标签，最后返回的列即不同用户对应的标签
    return d[label]

# lambda中的x实际上取值为R一整列，F一整列，M一整列
# axis为1是以行的方向调用rfm_func函数
rfm['label']=rfm[['R','F','M']].apply(lambda x:x-x.mean()).apply(rfm_func,axis=1)
rfm
image-20221216191104994

10.2 RMF模型散点化

  • 当我们对一个DataFrame进行groupby聚合分组操作时，我们会得到一个DataFrameGroupBy对象
  • DataFrameGroupBy包含若干个tuple
  • tuple中包含两项
    • 第一项是分组时指定的列得到的不同值
    • 第二项是一个DataFrame，DataFrame保持着和被聚合的原DataFrame结构一致
# 此处label装载8个标签结果，grouped即分组后的DataFrame
for label,grouped in rfm.groupby(by='label'):
    # 主要为了查看标签散点分布【即哪种类型用户多】，因此x,y轴任取两列即可
    x=grouped['R']   # 单个用户的购买数量
    y=grouped['F']   # 最近一次购买时间与98年7月的相差天数
    plt.scatter(x,y,label=label)
plt.legend()  # 添加图例
plt.ylabel('用户购买数量')
plt.xlabel('用户最近一次购买时间与98年7月的相差天数')
plt.show()
image-20221216191926557

任务11：统计用户在各个月份的消费情况

# 新建透视表，行存放用户在某个月的订单数
pivoted_counts = data.pivot_table(
    index='user_id',
    columns='month',   # month列的取值作为列属性值
    values='order_dt', # order_dt作为列值
    aggfunc={
        'order_dt':'count' # 聚合时对列值使用count函数，结合起来也就是统计用户在某个月的订单数
    }).fillna(0)  # 将NAN空值用0来替换
pivoted_counts
image-20221216214143915
  • apply：作用与dataframe数据中的一行或者一列数据【也就是要有明确的行和列方向】
  • applymap：作用与dataframe数据中的每一个元素
  • map：本身是一个series的函数，在df结构中无法使用map函数，map函数作用于series中每一个元素
# def test_method(x):
#     level = x.apply(lambda x:1 if x>0 else 0)
#     return level
# df_purchase = pivoted_counts.apply(test_method,axis=1)


# 将有进行消费的标记为1，反之标记为0。此处实现方法等价于等价于👆
df_purchase = pivoted_counts.applymap(lambda x:1 if x>0 else 0)
df_purchase
image-20221216214502458

任务12：统计不同类型用户个数

  1. 从未消费过的用户，当下进行第一次消费标记为new【新用户】
  2. 当前月份未进行消费标记未unactive【不活跃用户】
  3. 上个月有消费，这个月也有消费标记未active【活跃用户】
  4. 曾经有消费过，并且上个月未进行消费，这个月进行了消费标记未return【回流用户】
  5. 从未进行过消费的用户标记未unreg【未注册用户】
# data：每一行数据（共18列）
def active_status(data): 
    status = [] #存储用户18个月的状态（new|active|unactive|return|unreg）
    for i in range(18):
        # 本月没有消费
        if data[i] ==0:   # 当前月份 i 没有消费
            if len(status)==0: # 此时对应的是第一个月，肯定从未进行过消费
                status.append('unreg')  
            else: # 第一个月之后的情况
                if status[i-1] =='unreg':#一直没有消费过
                    status.append('unreg')
                else:
                    status.append('unactive')
        # 本月有消费
        else:
            if len(status)==0:
                status.append('new') #第一次消费
            else:# 第一个月之后的情况
                # 说明之前有过消费但是不活跃，此时算回流用户
                if status[i-1]=='unactive': 
                    status.append('return') 
                # 说明之前没有过消费，此时算新用户
                elif  status[i-1]=='unreg': 
                    status.append('new') #第一次消费
                # 说明之前有过消费并且活跃，此时仍然延续活跃状态
                else:   
                    status.append('active') #活跃用户
    # apply函数返回对象应是Series，此处按行处理，因此18个元素需要指定18个列名  
    # df_purchase是任务11最后生成的DataFrame
    return pd.Series(status,df_purchase.columns) # 值：status,列名：18个月份

purchase_states = df_purchase.apply(active_status,axis=1) #得到用户分层结果
purchase_states
image-20221219155402140 
# 把 unreg 状态用 Nan 空值替换
purchase_states.replace('unreg',np.NaN,inplace=True)
# 统计每个月份不同类型用户的个数，由于unreg状态已经背替换为Nan，因此此状态个数不会被统计
purchase_states_ct = purchase_states.apply(lambda x:pd.value_counts(x))
purchase_states_ct.head()
image-20221219155449022 
# 图表中的Nan实则就是当前月份没有这个状态，即统计次数为0，因此可用0进行替换
purchase_states_ct.fillna(0,inplace=True)
# T代表转置，把原本应该为y轴的month转到x轴显示，另一个方向同理
# 数据可视化，面积图
purchase_states_ct.T.plot.area(figsize=(10,4))  
plt.ylabel('不同类型用户的个数')
plt.show()
image-20221219155733427

任务13：统计回流用户占比情况

# 每月中回流用户占比情况（占所有用户的比例）
plt.figure(figsize=(12,6))
# 默认对表格按列处理，所以rate最后得到的是四行数据，存放每个月不同类型用户占所有用户的比例
rate = purchase_states_ct.apply(lambda x:x/x.sum())
# 转置后列为用户类型，行为月份
rate.T.head()
image-20221219163229355 
# pandas直接索引是按列进行取值的，所以绘制状态在不同月份的取值需要用到rate.T
# plot是折线图
plt.plot(rate.T['return'],label='return')
plt.plot(rate.T['active'],label='active')
# 增加图例
plt.legend()
plt.xlabel('月份')
plt.ylabel('所占比例')
plt.show()
image-20221219163442878

任务14：统计用户消费时间间隔

# shift()使得Series整体移动一个单位，如[0,1,2]经过shift后变[Nan,0,1]
# 按照用户ID分类后，用户下次消费时间减去上次消费时间即消费时间间隔
order_diff=data.groupby(by='user_id')['order_dt'].apply(lambda x:x-x.shift())
# 消费时间间隔转换为“天”单位，绘制直方图
(order_diff/np.timedelta64(1,'D')).hist(bins=20)
plt.xlabel('消费时间间隔（天）')
plt.ylabel('用户数')
plt.show()
image-20221219195509925

任务15：统计用户生命周期

所谓生命周期即第一次消费与最后一次消费相隔的天数

# agg()函数内可放置多个聚合函数，此处是生成同一用户'order_dt'列的最小值列和最大值列
user_life = data.groupby(by='user_id')['order_dt'].agg(['min','max'])
user_life
image-20221219202430029 
# 统计只消费过一次的人数和消费多次的人数，pie是饼图
# %.1f%%是比例保留一位小数，%%实际是一个百分号；radius是饼的半径
(user_life['max']== user_life['min']).value_counts().plot(kind='pie',autopct='%.1f%%',radius=0.8)
plt.legend(['只消费过一次的人','消费过多次的人'])
plt.show()
image-20221219203727732 
plt.figure(figsize=(10,5))
plt.subplot(121)
# 用户最晚消费的时间-最早消费的时间即为此用户生命周期，只消费过一次的用户生命周期长度为0
date_gap=(user_life['max']-user_life['min'])/np.timedelta64(1,'D')
date_gap.plot(kind='hist',bins=15)
plt.title('所有用户生命周期长度统计')
plt.xlabel('生命周期长度')
plt.ylabel('用户数')

plt.subplot(122)
date_gap[date_gap>0].plot(kind='hist',bins=15)
plt.title('多次消费的用户生命周期长度统计')
plt.xlabel('生命周期长度')
plt.ylabel('用户数')
plt.show()
image-20221219210019540

任务16：分析复购率

复购率即当月多次消费的用户数所占当月有过消费的用户数的比例

# 任务11的透视表pivoted_counts存放了用户各个月份的购买情况
pivoted_counts
image-20221216214143915

对上述DataFrame进行二次处理

  • 当月购买次数大于1的标记为1，意思为在当月有复购
  • 当月购买次数等于1的标记为0，意思为没有复购
  • 当月根本没有消费记录的标记为NaN
# lambda中第一个else后所有内容为一个整体
purchase_r = pivoted_counts.applymap(lambda x:1 if x>1 else np.nan if x==0 else 0)
purchase_r
image-20221219214339243 
# sum()得到当前月份所有复购用户数；count()得到当前月份所有有消费的用户数
# 二者相除即复购用户占所有消费用户的比例【注：count不会对Nan计数】
(purchase_r.sum()/purchase_r.count()).plot()
plt.ylabel('复购率')
plt.show()
image-20221219214420926

任务17：分析回购率

回购率是指一段时间内【这里的一段时间是两个月】有多次消费的用户数占一段有过消费的用户数的比例，不过同一个月消费多次

# 任务11的最后的df_purchase对用户在每个月是否消费进行了处理
df_purchase
image-20221216214502458

对上述DataFrame进行二次处理

  • 如果当前月消费了，但是下个月没有消费，标记为0，说明在这个月不属于回购用户
  • 如果当前月没有消费标记为NaN
  • 当前月消费了，下个月也消费了标记为1，说明在这个月是回购用户
# 计算方式：在一个时间窗口内进行了消费，在下一个窗口内又进行了消费
def purchase_back(x):
    status = [] # 存储用户回购率状态
    # 1:回购用户   0：非回购用户（当前月消费了，下个未消费）   NaN:当前月份未消费
    for i in range(17):
        # 当前月份消费了
        if x[i] == 1:
            if x[i+1]==1:
                status.append(1) # 回购用户
            elif x[i+1] == 0: # 下个月未消费
                status.append(0)
        else: # 当前月份未进行消费
            status.append(np.NaN)
    # for循环没有处理到最后一个元素，因此需要单独进行处理
    status.append(np.NaN) 
    # 传进来的x是一行数据，因此要给其对应位置加上列名返回
    return pd.Series(status,df_purchase.columns)

purchase_b=df_purchase.apply(purchase_back,axis=1)
purchase_b
image-20221219222152731 
plt.figure(figsize=(15,12))
plt.subplot(211)
# 同样这里sum得到当前月份所有用户总共回购的次数，count得到当前月份所有用户有消费的次数，二者相除即为回购率
(purchase_b.sum() / purchase_b.count()).plot(label='回购率')
# 复购率
(purchase_r.sum()/purchase_r.count()).plot(label='复购率')
plt.legend()
plt.ylabel('百分比%')
plt.title('用户回购率和复购率对比图')

# 回购人数与购物总人数
plt.subplot(212)
plt.plot(purchase_b.sum(),label='回购人数')
plt.plot(purchase_b.count(),label='购物总人数')
plt.title('回购总人数与购物总人数对比图')
plt.xlabel('month')
plt.ylabel('人数')
plt.legend()
plt.show()
image-20221219224814235
Infinity_and_beyond
关注
  • 4
    点赞
  • 踩
  • 43
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
利用Python进行用户消费行为分析（CDNOW_master）
Kailin_lin的博客
05-29 3862
用户消费行为的分析报告   想必大家对于CD用户消费者行为的分析已经见得多了，这里就不再一一叙述，这里主要是作为我的一个小练习，来提高自己处理业务的能力。   项目需求如下： （1）用户消费趋势分析 每月的消费总金额 每月的消费次数 每月的产品购买量 每月的消费人数 （2）用户个体消费行为分析 用户消费金额和消费总数的描述统计 用户消费金额和消费总数的散点图 用户消费金额和消费总数的分布图 用户累计消费金额的占比 （3）用户消费行为分析 用户第一次消费时间（用户首次购买产品的时间） 用户最后一次消
用Python对淘宝用户行为数据的分析
热门推荐
m0_57376367的博客
07-12 1万+
用户行为数据分析
利用Python进行用户画像分析&会员RFM分析
许虹蕾的博客
08-22 3151
项目描述：本项目对2020年某家公司各个门店的电子产品（手机，平板等）的销售数据进行了深入的挖掘，对会员进行了RFM分析，寻找到了门店销量起伏的原因；通过分析挖掘，找出门店的长处与短板，并给予参考建议。 语言及工具：Python 3 , jupyter notebook 1.导入所需库和数据 import pandas as pd import numpy as np import matplotlib.pyplot as plt import re import warnings warnings
用Python分析用户消费行为
weixin_44875199的博客
06-17 1万+
目录 1.数据读取 2.数据概述 3.数据清洗和整理 4.数据分析和可视化 1.数据读取 pandas，numpy，matplotlib.pyplot是第三包，每次使用前都要先载入。这次多加了一个datetime。 每次绘图前，都需要载入 import matplotlib.pyplot as plt %matplotlib inline是jupyter自带的方式 - 允许图表在c...
如何用Python分析用户消费行为？
m0_70486148的博客
09-01 160
在当今数字化时代，了解用户消费行为对于企业的成功至关重要。通过分析用户消费行为，企业可以获得宝贵的洞察，从而制定更有效的市场策略和个性化的营销方案。而Python作为一门功能强大的编程语言，提供了丰富的数据分析工具和库，可以帮助企业进行用户消费行为分析。本文将介绍如何使用Python来分析用户消费行为，并展示一些常用的数据分析技术和工具。要分析用户消费行为，首先需要收集用户相关的数据。这可以通过多种方式进行，例如通过网站分析工具收集用户访问数据、通过购物平台收集用户购买数据等。收集到的数据可能存在各种格式和
旅游消费数据集——包含用户id，用户评分、产品类别、产品名称等指标，可以作为推荐系统的数据集案例
05-11
旅游消费数据集——包含用户id，用户评分、产品类别、产品名称等指标，可以作为推荐系统的数据集案例
用户消费数据分析，基于python
weixin_43334564的博客
03-11 1982
用户消费数据分析，基于python（numpy，pandas，matplotlib）。内容包括数据清洗，透视表，聚合，绘图，RFM模型，用户生命周期分析等。
Python实战项目——用户消费行为数据分析（三）
分享关于数据的知识。
07-20 2659
大多数用户最后一次购买时间集中在前3个月，说明缺少忠诚用户。随着时间的推移，最后一次购买商品的用户量呈现上升趋势，猜测：这份数据选择是的前三个月消费的用户在后面18个月的跟踪记录1．针对用户进行按照月份做整体和个体分析，主要分析维度是人数，消费金额，购买量2．消费分析：首购时间，最后一次购买时间，相邻两个购物时间的间隔，用户分层（ RFM 模型＋数据透视表），分析维度主要是新用户，活跃用户，不活跃用户流失分析，回流用户占比3．复购率和回购率进行分析。
Python实战项目——餐厅订单数据分析（一）
分享关于数据的知识。
07-19 2203
我们的数据是一个餐厅订单，其中包括detail_id，order_id，dishes_id等一系列餐厅数据。拥有3个sheet，数据项大约1w左右。还有各种各样的美食和酒水，看的我流口水（蒜蓉生蚝，蒙古烤羊腿，桂圆枸杞鸽子汤，38度剑南春 ，美妙绝伦之白莲花，姜葱炒花蟹）以上就是对数据的简单认识和处理，通过作图让我们能够更加清晰的认识数据，加深了解数据之间的联系和区别。
电商用户行为数据适用于Python进行消费者行为数据分析
02-08
本资源包括两个部分，一是某电商软件用户行为源数据，二是基于源数据对消费者的一些分析，包括浏览、加购、购买的行为分析、时段分析，品类分析等，输出的数据分析结果 Field Type Definition customer_id Bigint ...
训练数据集-消费类数据集
08-27
消费类数据集是指记录了消费者购买行为和消费习惯的数据集。这些数据集通常包含了消费者在购物、零售、电子商务等领域的相关数据，如购买记录、交易金额、产品评价、用户信息等。消费类数据集对于市场研究、个性化推荐、消费行为分析等领域具有重要的应用价值。
学生校园消费行为分析.zip
04-03
python数据分析实训--学生校园消费行为分析
基于Python的学生校园消费行为分析.zip
06-08
资源包含文件：lunwen文档+项目源码及数据 根据学生在 4 月份的消费金额、卡内盈余与消费次数，我们将学生分成了四类群体，分别命名为 0，1，2，3. 学生群体 0 的消费特点为：该群体属于中等消费水平，有较高的消费...
网易云音乐用户消费行为分析.zip
最新发布
03-29
1.用户消费行为特征 1.1.用户总体消费趋势分析 1.2.用户个人消装分析 1.2.1.用户消费金额，消费次数的描述性分析用户 1.2.2.消费金额和消费次数的散点图 1.2.3.用户消费金额的分布 1.2.4.用户消费次数的分布 1.3....
Python数据分析项目案例
m0_59485658的博客
12-09 3701
如下
SQL语句+RFM模型
DanDannei的博客
07-06 228
RFM
数据分析项目｜淘宝用户行为分析（Python+可视化）
m0_74942241的博客
02-06 4941
数据分析项目｜淘宝用户行为分析（Python+可视化）
利用Python对银行进行数据分析
luckygirl
09-08 5631
# 导入数据源 import pandas as pd data = pd.read_csv(r'/Users/faye/Desktop/loan.csv') 判断收入与坏账率的关系 # 判断数据是否有缺失 data.info()# 填充月收入缺失值 data = data.fillna({'月收入':data['月收入'].mean()}) # 用均值填充 # 连续值离散化 cut_bi...
数据分析——用户消费行为分析
weixin_46271306的博客
05-16 2877
用户行为贯穿我们生活的各行各业，通过分析用户的消费行为，可以帮助企业更好的了解企业发展状况，及时做出战略调整，使企业更好的运转下去。本文以某电商网页用户购买CD数量明细作为样本数据，整理了分析用户消费行为的具体内容。
基于python的学生消费行为分析
09-22
基于Python的学生消费行为分析是利用Python编程语言和相关的库来对学生的消费行为进行分析和研究。以下是对于这个问题的详细解答： 首先，Python作为一种功能强大的编程语言，具有丰富的数据处理和分析的库，如NumPy, pandas和Matplotlib等，可以有效地处理和分析消费数据。 在学生消费行为分析中，可以利用Python来处理和整理学生的消费数据，如购买时间、金额、购买地点等。通过数据清洗和预处理，可以为后续的分析提供可用的数据集。 其次，可以使用Python中的数据可视化库，如Matplotlib和Seaborn等，来可视化学生消费行为相关的数据，以便更直观地了解学生的消费习惯和模式。比如，可以绘制柱状图、折线图、散点图等来展现不同时间段和地点的消费情况。 另外，Python还提供了机器学习和深度学习的库，如Scikit-learn和TensorFlow等，可以进行消费行为的预测和分析。可以利用这些库来构建和训练机器学习模型，以预测学生的消费行为，例如预测学生在特定时间段是否会购买某种商品或服务。 最后，通过Python的统计分析库，如Scipy和Statsmodels等，可以进行学生消费行为的统计分析，例如计算平均消费额、消费频率、消费倾向等。这些统计分析结果可以为学校或企业提供关于学生消费行为的有价值的信息和洞察。 总之，基于Python的学生消费行为分析可以通过数据处理、数据可视化、机器学习和统计分析等方法来研究和理解学生的消费行为，并为学校或企业提供相应的建议和决策支持。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
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