Python数据分析实战：一个完整的项目案例

第一部分：数据类型处理

数据加载

字段含义：

user_id:用户ID

order_dt:购买日期

order_product:购买产品的数量

order_amount:购买金额

观察数据

查看数据的数据类型

数据中是否存储在缺失值

将order_dt转换成时间类型

查看数据的统计描述

在源数据中添加一列表示月份:astype('datetime64[M]')

df = pd.read_csv('./data/CDNOW_master.txt',header=None,sep='\s+',names=['user_id','order_dt','order_product','order_amount'])  #sep='\s+'  分割间隔 一个或多个空格
df.head()

df.shape
(69659, 4)
#查看数据类型
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 69659 entries, 0 to 69658
Data columns (total 4 columns):
user_id          69659 non-null int64
order_dt         69659 non-null int64
order_product    69659 non-null int64
order_amount     69659 non-null float64
dtypes: float64(1), int64(3)
memory usage: 2.1 MB

#order_dt转换成时间序列，且加一列为购买商品的月份
df['order_dt'] = pd.to_datetime(df['order_dt'],format="%Y%m%d")
df.head()

df['month'] = df['order_dt'].astype('datetime64[M]')
df.head()

 df.describe()  #对数据源中的数值型数据的描述

第二部分：按月数据分析

用户每月花费的总金额

绘制曲线图展示

所有用户每月的产品购买量

所有用户每月的消费总次数

统计每月的消费人数

#用户每月花费的总金额
df.groupby(by='month')['order_amount'].sum()
month
1997-01-01    299060.17
1997-02-01    379590.03
1997-03-01    393155.27
1997-04-01    142824.49
1997-05-01    107933.30
1997-06-01    108395.87
1997-07-01    122078.88
1997-08-01     88367.69
1997-09-01     81948.80
1997-10-01     89780.77
1997-11-01    115448.64
1997-12-01     95577.35
1998-01-01     76756.78
1998-02-01     77096.96
1998-03-01    108970.15
1998-04-01     66231.52
1998-05-01     70989.66
1998-06-01     76109.30
Name: order_amount, dtype: float64

#绘制曲线图展示
df.groupby(by='month')['order_amount'].sum().plot()

#所有用户每月的产品购买量
df.groupby(by='month')['order_product'].sum()

month
1997-01-01    19416
1997-02-01    24921
1997-03-01    26159
1997-04-01     9729
1997-05-01     7275
1997-06-01     7301
1997-07-01     8131
1997-08-01     5851
1997-09-01     5729
1997-10-01     6203
1997-11-01     7812
1997-12-01     6418
1998-01-01     5278
1998-02-01     5340
1998-03-01     7431
1998-04-01     4697
1998-05-01     4903
1998-06-01     5287
Name: order_product, dtype: int64

#所有用户每月的消费总次数
df.groupby(by='month')['user_id'].count()

month
1997-01-01     8928
1997-02-01    11272
1997-03-01    11598
1997-04-01     3781
1997-05-01     2895
1997-06-01     3054
1997-07-01     2942
1997-08-01     2320
1997-09-01     2296
1997-10-01     2562
1997-11-01     2750
1997-12-01     2504
1998-01-01     2032
1998-02-01     2026
1998-03-01     2793
1998-04-01     1878
1998-05-01     1985
1998-06-01     2043
Name: user_id, dtype: int64

#统计每月的消费人数
df.groupby(by='month')['user_id'].nunique()

month
1997-01-01    7846
1997-02-01    9633
1997-03-01    9524
1997-04-01    2822
1997-05-01    2214
1997-06-01    2339
1997-07-01    2180
1997-08-01    1772
1997-09-01    1739
1997-10-01    1839
1997-11-01    2028
1997-12-01    1864
1998-01-01    1537
1998-02-01    1551
1998-03-01    2060
1998-04-01    1437
1998-05-01    1488
1998-06-01    1506
Name: user_id, dtype: int64

第三部分：用户个体消费数据分析

所有用户消费总金额和消费总购买量的统计描述

各个用户消费金额和消费产品数量的散点图

各个用户消费总金额的直方分布图(消费金额在1000之内的分布)

各个用户消费的总数量的直方分布图(消费商品的数量在100次之内的分布)

#所有用户消费总金额和消费总购买量的统计描述
df['order_product'].sum(),df['order_amount'].sum()

(167881, 2500315.6300000004)
#各个用户消费金额和消费产品数量的散点图
users_amount_s = df.groupby(by='user_id')['order_amount'].sum()
users_product_s = df.groupby(by='user_id')['order_product'].sum()

plt.scatter(users_amount_s,usea_product_s)

#各个用户消费总金额的直方分布图(消费金额在1000之内的分布)
#1.先将满足要求的用户的行数据找出，在做分组聚合
user_amount_1000_s = df.query('order_amount <= 1000').groupby(by='user_id')['order_amount'].sum()
user_amount_1000_s

#各个用户消费的总数量的直方分布图(消费商品的数量在100之内的分布)
df.query('order_product <= 100').groupby(by='user_id')['order_product'].sum()

#df有两个常用方法
#    - apply:可以作为df的运算工具，运算df的行或者列
#    - applymap:针对df中每一个元素进行指定形式的运算

第四部分：用户消费行为分析

用户第一次消费的月份分布，和人数统计

绘制线形图

用户最后一次消费的时间分布，和人数统计

绘制线形图

新老客户的占比

消费一次为新用户

消费多次为老用户

分析出每一个用户的第一个消费和最后一次消费的时间

agg(['func1','func2']):对分组后的结果进行指定多种形式的聚合

分析出新老客户的消费比例

用户分层

分析得出每个用户的总购买量和总消费金额and最近一次消费的时间的表格rfm

RFM模型设计

R表示客户最近一次交易时间的间隔。

/np.timedelta64(1,'D')：去除days

F表示客户购买商品的总数量,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表示客户交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。

将R，F，M作用到rfm表中

根据价值分层，将用户分为：

重要价值客户

重要保持客户

重要挽留客户

重要发展客户

一般价值客户

一般保持客户

一般挽留客户

一般发展客户

使用已有的分层模型即可rfm_func

# 用户第一次消费的月份分布，和人数统计
# 绘制线形图
# 用户最后一次消费的时间分布，和人数统计
# 绘制线形图
df.groupby(by='user_id')['month'].min().value_counts()

1997-02-01    8476
1997-01-01    7846
1997-03-01    7248
Name: month, dtype: int64

df.groupby(by='user_id')['month'].max().value_counts()
1997-02-01    4912
1997-03-01    4478
1997-01-01    4192
1998-06-01    1506
1998-05-01    1042
1998-03-01     993
1998-04-01     769
1997-04-01     677
1997-12-01     620
1997-11-01     609
1998-02-01     550
1998-01-01     514
1997-06-01     499
1997-07-01     493
1997-05-01     480
1997-10-01     455
1997-09-01     397
1997-08-01     384
Name: month, dtype: int64

#新老客户的占比
df_new_old = df.groupby(by='user_id')['order_dt'].agg(['min','max'])
(df_new_old['min'] == df_new_old['max']).value_counts()

True     12054
False    11516
dtype: int64

#分析得出每个用户的总购买量和总消费金额and最近一次消费的时间的表格rfm
rfm = df.pivot_table(index='user_id',aggfunc={'order_product':'sum','order_amount':'sum','order_dt':'max'})   #采用透视操作
rfm.head()

 rfm['R'] = (df['order_dt'].max() - rfm['order_dt'])/np.timedelta64(1,'D')

rfm = rfm[['order_amount','order_product','R']]
rfm.columns = ['M','F','R']

rfm.head()

#rfm分层算法
def rfm_func(x):
#存储存储的是三个字符串形式的0或者1
level = x.map(lambda x :'1' if x >= 0 else '0')
# M '0'
# F '0'
# R '1'
label = level['R'] + level.F + level.M
d = {
'111':'重要价值客户',
'011':'重要保持客户',
'101':'重要挽留客户',
'001':'重要发展客户',
'110':'一般价值客户',
'010':'一般保持客户',
'100':'一般挽留客户',
'000':'一般发展客户'
}
result = d[label]
return result
#df.apply(func):可以对df中的行或者列进行某种（func）形式的运算
rfm['label'] = rfm.apply(lambda x : x - x.mean(),axis=0).apply(rfm_func,axis = 1)
rfm.head()

第五部分：用户的生命周期

将用户划分为活跃用户和其他用户

统计每个用户每个月的消费次数

统计每个用户每个月是否消费，消费记录为1否则记录为0

知识点：DataFrame的apply和applymap的区别

applymap:返回df

将函数做用于DataFrame中的所有元素(elements)

apply:返回Series

apply()将一个函数作用于DataFrame中的每个行或者列

将用户按照每一个月份分成：

unreg:观望用户（前两月没买，第三个月才第一次买,则用户前两个月为观望用户）

unactive:首月购买后，后序月份没有购买则在没有购买的月份中该用户的为非活跃用户

new:当前月就进行首次购买的用户在当前月为新用户

active:连续月份购买的用户在这些月中为活跃用户

return:购买之后间隔n月再次购买的第一个月份为该月份的回头客

#统计每个用户每个月的消费次数  
df_purchase = df.pivot_table(index='user_id',values='order_dt',aggfunc='count',columns='month',fill_value=0) #columns='month'  对 values='order_dt'又做了一次划分
df_purchase.head()

#统计每个用户每个月是否消费，消费记录为1否则记录为0
df_purchase = df_purchase.applymap(lambda x:1 if x > 0 else 0)

df_purchase.head()

#将df_purchase中的原始数据0和1修改为new，unactive......,返回新的df叫做df_purchase_new
#固定算法  修改参数即可用
def active_status(data):
status = []#某个用户每一个月的活跃度
for i in range(18):

#若本月没有消费
if data[i] == 0:
if len(status) > 0:
if status[i-1] == 'unreg':
status.append('unreg')
else:
status.append('unactive')
else:
status.append('unreg')

#若本月消费
else:
if len(status) == 0:
status.append('new')
else:
if status[i-1] == 'unactive':
status.append('return')
elif status[i-1] == 'unreg':
status.append('new')
else:
status.append('active')
return status

pivoted_status = df_purchase.apply(active_status,axis = 1)
pivoted_status.head()

user_id
1    [new, unactive, unactive, unactive, unactive, ...
2    [new, unactive, unactive, unactive, unactive, ...
3    [new, unactive, return, active, unactive, unac...
4    [new, unactive, unactive, unactive, unactive, ...
5    [new, active, unactive, return, active, active...
dtype: object

df_purchase_new = DataFrame(data=pivoted_status.tolist(),index=df_purchase.index,columns=df_purchase.columns)
df_purchase_new.head()

每月【不同活跃】用户的计数

purchase_status_ct = df_purchase_new.apply(lambda x : pd.value_counts(x)).fillna(0)

转置进行最终结果的查看

df_purchase_new.apply(lambda x:pd.value_counts(x),axis=0).fillna(0).T