学生校园消费行为分析报告

学生校园消费行为分析报告

1. 引言

学生群体作为一个特殊的消费群体，其消费行为对校园经济具有重要影响。本文基于校园消费数据，通过数据分析的方法探讨学生的消费特征和规律，为校园管理和服务提供数据支持和决策依据。

本项目提供国内某高校校园一卡通系统一个月的运行数据，使用数据分析和建模的方法，挖掘数据中所蕴含的信息，分析学生在校园内的学习生活行为，为改进学校服务并为相关部门的决策提供信息支持。本次数据分析目标如下：

分析学生的消费行为和食堂的运营状况，为食堂运营提供建议。
构建学生消费细分模型，为学校判定学生的经济状况提供参考意见。

2. 数据概述

本次分析的数据主要来源于某高校学生的校园消费记录，包括消费时间、消费金额、消费类别等信息。数据集分为两个主要部分：学生基本信息和消费记录。

2.1 学生基本信息

• 学生ID表 (data1)

字段名	描述
序号	学生的序号
校园卡号	每位学生的校园卡号都唯一
性别	分为“男”和“女”
专业名称	如“18国际金融”等

2.2 消费记录

• 消费记录表 (data2)

字段名	描述
流水号	消费的流水号
校园卡号	每位学生的校园卡号都唯一
校园卡编号	每位学生的校园卡编号都唯一
消费时间	格式：年月日时分
消费金额（元）	单位：元
存储金额（元）	单位：元
余额（元）	单位：元
消费次数	累计消费的次数
消费类型	如“存款”“退款”“消费”等类型
消费项目的序列号	当次消费的序号
消费操作的编码	当次消费的编码
消费地点	如“第一食堂”等

3. 数据处理与分析

使用Python和相关的数据分析库对数据进行清洗、处理和分析。以下是关键步骤和代码示例。

3.1 数据加载与清洗

首先，加载数据并进行初步清洗，去除缺失值和异常值。

import pandas as pd

# 读取数据
data = pd.read_csv('student_consumption.csv')

# 数据清洗
data.dropna(inplace=True)
data = data[data['amount'] > 0]

3.2 数据概览

查看数据的基本信息和统计描述，以了解数据的总体情况。

# 数据基本信息
print(data.info())

# 数据统计描述
print(data.describe())

3.3 消费金额分布

分析学生消费金额的分布情况，绘制直方图。

import matplotlib.pyplot as plt

# 绘制消费金额分布直方图
plt.hist(data['amount'], bins=50, color='skyblue')
plt.title('消费金额分布')
plt.xlabel('消费金额')
plt.ylabel('频数')
plt.show()

3.4 消费时间分析

分析学生在一天中的消费时间分布，绘制消费时间分布图。

# 提取小时信息
data['hour'] = pd.to_datetime(data['timestamp']).dt.hour

# 绘制消费时间分布图
plt.hist(data['hour'], bins=24, color='lightgreen', rwidth=0.8)
plt.title('消费时间分布')
plt.xlabel('小时')
plt.ylabel('频数')
plt.show()

3.5 消费类别分析

分析不同消费类别的消费金额占比，绘制饼图。

# 消费类别金额占比
category_amount = data.groupby('category')['amount'].sum()

# 绘制饼图
category_amount.plot.pie(autopct='%1.1f%%', colors=['gold', 'lightcoral', 'lightskyblue', 'lightgreen'])
plt.title('消费类别金额占比')
plt.ylabel('')
plt.show()

3.6 食堂就餐行为分析

通过分析食堂消费数据，了解学生在不同食堂的消费情况，以及工作日与非工作日的就餐时间分布。

3.6.1 数据预处理

筛选数据，筛选有关食堂的数据，合并同一地点同一刷卡时间的就餐记录，并划分早中晚餐时间段。

# 筛选食堂数据
canteen_data = data[data['place'].str.contains('食堂')]

# 合并同一地点同一刷卡时间的记录
canteen_data = canteen_data.groupby(['place', 'timestamp']).agg({'amount':'sum', 'count':'sum'}).reset_index()

# 划分时间段
def time_period(hour):
    if 6 <= hour < 9:
        return '早餐'
    elif 11 <= hour < 13:
        return '午餐'
    elif 17 <= hour < 20:
        return '晚餐'
    else:
        return '其他'

canteen_data['hour'] = pd.to_datetime(canteen_data['timestamp']).dt.hour
canteen_data['period'] = canteen_data['hour'].apply(time_period)

3.6.2 就餐人次占比分析

绘制各食堂就餐人次的占比饼图，分析学生早中晚餐的就餐地点分布。

# 各食堂就餐人次占比
canteen_counts = canteen_data['place'].value_counts()

# 绘制饼图
canteen_counts.plot.pie(autopct='%1.1f%%', colors=['lightcoral', 'gold', 'lightskyblue', 'lightgreen'])
plt.title('各食堂就餐人次占比')
plt.ylabel('')
plt.show()

3.6.3 工作日与非工作日就餐时间分析

分别绘制工作日和非工作日食堂就餐时间分布曲线图。

# 划分工作日和非工作日
canteen_data['weekday'] = pd.to_datetime(canteen_data['timestamp']).dt.weekday
canteen_data['day_type'] = canteen_data['weekday'].apply(lambda x: '工作日' if x < 5 else '非工作日')

# 绘制工作日和非工作日就餐时间分布曲线图
import seaborn as sns

plt.figure(figsize=(12, 6))
sns.lineplot(data=canteen_data, x='hour', y='count', hue='day_type')
plt.title('工作日与非工作日食堂就餐时间分布')
plt.xlabel('小时')
plt.ylabel('就餐次数')
plt.show()

3.7 聚类分析

基于学生的消费行为构建聚类模型，分析不同消费群体的特点，为学校管理和服务提供参考。

3.7.1 特征提取

提取学生的消费特征，包括早餐、午餐、晚餐的平均每餐消费额和月就餐次数。

# 提取消费特征
features = canteen_data.groupby(['student_id', 'period']).agg({'amount':'mean', 'count':'sum'}).unstack().fillna(0)
features.columns = ['_'.join(col).strip() for col in features.columns.values]

3.7.2 聚类建模

对特征数据做标准化处理，并构建K-Means聚类模型。

from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans

# 数据标准化
scaler = StandardScaler()
features_scaled = scaler.fit_transform(features)

# 聚类建模
kmeans = KMeans(n_clusters=3, random_state=0)
clusters = kmeans.fit_predict(features_scaled)
features['cluster'] = clusters

3.7.3 聚类结果分析

对聚类结果进行分群分析，并绘制雷达图。

import numpy as np

# 聚类结果分群分析
cluster_summary = features.groupby('cluster').mean()

# 绘制雷达图
categories = list(cluster_summary.columns)
N = len(categories)

angles = [n / float(N) * 2 * np.pi for n in range(N)]
angles += angles[:1]

fig, ax = plt.subplots(figsize=(6, 6), subplot_kw=dict(polar=True))
for i in range(len(cluster_summary)):
    values = cluster_summary.iloc[i].tolist()
    values += values[:1]
    ax.plot(angles, values, linewidth=2, linestyle='solid', label=f'Cluster {i}')
    ax.fill(angles, values, alpha=0.25)

plt.title('聚类结果雷达图')
plt.legend()
plt.show()

4. 结论

通过对学生群体的消费行为进行分析，我们得出以下结论：

1. 学生的消费金额大多数集中在较低的范围内，少数高额消费拉高了平均消费水平。
2. 学生的消费行为具有明显的时间规律，集中在上午和晚上的特定时段。
3. 不同消费类别中，餐饮消费占比最高，其次是生活用品和娱乐消费。
4. 基于聚类分析，学生的消费行为可以分为不同群体，每个群体具有不同的消费特点。

根据分析结果，我们建议校园管理和商家可以：

1. 适当调整营业时间，增加在高峰时段的服务能力。
2. 提供更多的优惠活动，尤其是在餐饮和娱乐方面，以吸引更多学生消费。
3. 根据消费趋势，优化商品结构，提升学生消费体验。
4. 针对不同消费群体，提供个性化服务，满足多样化需求。