淘宝婴儿用品分析案例

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pandas import Series,DataFrame
%matplotlib inline

order_df = pd.read_csv(‘./(sample)sam_tianchi_mum_baby_trade_history.csv‘)
order_df.head()

 #考虑到属性字段，都是一些编号，没办法具体分析，因此去除该字段

order_df.drop(labels=‘property‘,axis=1,inplace=True)

#查看一下信息 看下有没有空值

order_df.info()

<class ‘pandas.core.frame.DataFrame‘>
RangeIndex: 29971 entries, 0 to 29970
Data columns (total 6 columns):
user_id       29971 non-null int64
auction_id    29971 non-null int64
cat_id        29971 non-null int64
cat1          29971 non-null int64
buy_mount     29971 non-null int64
day           29971 non-null int64
dtypes: int64(6)
memory usage: 1.4 MB

 

 

# 查看数据的时间范围  显示出数据集的最早购买时间和最后购买时间

order_df[‘day‘].min(),order_df[‘day‘].max()

(Timestamp(‘2012-07-02 00:00:00‘), Timestamp(‘2015-02-05 00:00:00‘))

#查看buy_mount是否存有异常值

(order_df[‘buy_mount‘] <= 0).sum()

0

#查看数据集用户购买商品的情况需要获知，大部分用户是多次购买商品还是只是购买了一次商品      用户ID去重后的购买记录和去重前的购买记录 作比较  差值大即多次购买多

order_df[‘user_id‘].nunique(),order_df.shape[0]

(29944, 29971)

baby_df = pd.read_csv(‘./(sample)sam_tianchi_mum_baby.csv‘)
baby_df.head()

# 把birthday转换成时间序列

baby_df[‘birthday‘] = pd.to_datetime(baby_df[‘birthday‘],format=‘%Y%m%d‘)

# 查看gender列是否存在异常数据            看下gender里的值有哪些  发现2这个异常值

baby_df[‘gender‘].value_counts()

0    489
1    438
2     26
Name: gender, dtype: int64

#清除gender列中的异常数据     取出不含2的gender   赋值给gender

baby_df = baby_df.loc[~(baby_df[‘gender‘] == 2)]

#查看婴儿表中的男女比例

boby_df[‘gender‘].value_counts()

0    489
1    438
Name: gender, dtype: int64

#汇总婴儿表和购买商品表的数据          how 用outer 保持数据的完整性
order_baby_df = pd.merge(left=order_df,right=baby_df,on=‘user_id‘,how=‘outer‘)  
order_boby_df.head()

 #查看新老用户的数量  思路：新用户：用户只消费了一次  用户消费多次  找出用户消费时间的最大值和最小值，对比两个值，如果两个值一样，说明用户只消费了一次，否则消费了多次

#agg():在基于df进行分组后可以进行多个不同的聚合操作

user_order_dt = order_baby_df.groupby(by=‘user_id‘)[‘day‘].agg([‘min‘,‘max‘])
user_order_dt.head()

#返回True表示新用户，False老用户
user_order_dt[‘min‘] == user_order_dt[‘max‘]

#统计新老用户的人数
(user_order_dt[‘min‘] == user_order_dt[‘max‘]).value_counts()

True     29920
False       24
dtype: int64
# 给数据添加新的一列为购买的月份

 order_baby_df[‘month‘] = order_baby_df[‘day‘].astype(‘datetime64[M]‘)

order_baby_df.head()

 #查看每个月商品的销量情况,绘制线形图进行展示       根据month分组  在统计各个月的销量

month_amount_s = order_baby_df.groupby(by=‘month‘)[‘buy_mount‘].sum()
month_amount_s

 #制图  .index  .values  是横纵坐标      xticks是横坐标   rotation=30 是坐标标签倾斜30度

plt.plot(month_amount_s.index,month_amount_s.values)
plt.xticks(rotation=30)

 #查看12，13，14年每个月的销量情况，绘制线性图进行展示

 #1.给源数据添加一列为购买的年份

order_baby_df[‘year‘] = order_baby_df[‘day‘].astype(‘datetime64[Y]‘)

order_baby_df.head()

 #2.给源数据添加一列为购买的年份的第几个月

order_baby_df[‘month_num‘] = order_baby_df[‘day‘].dt.month
order_baby_df.head()

#3.查看12，13，14年每个月的销量情况
year_month_amount_s = order_baby_df.groupby(by=[‘year‘,‘month_num‘])[‘buy_mount‘].sum()
year_month_amount_s

amount_12 = year_month_amount_s[‘2012-01-01‘]
amount_13 = year_month_amount_s[‘2013-01-01‘]
amount_14 = year_month_amount_s[‘2014-01-01‘]

plt.plot(amount_12,label=‘2012‘)
plt.plot(amount_13,label=‘2013‘)
plt.plot(amount_14,label=‘2014‘)
plt.legend()

 #通过走势分析发现，在每年的5月，9月，11月都有不同程度的高峰凸起，整体呈现上涨趋势，接下来分析，为什么销量上涨?

#查看每年的5，9，11这三个月每天的销量情况

#查看12，13年11月份每天的销量情况，同理查看5，9月每天的销量情况

#原始数据添加一列为销售时间的天数

order_baby_df[‘day_num‘] = order_baby_df[‘day‘].dt.day
order_baby_df.head()

#1.12年和13年11月份的数据单独取出
df_12_11 = order_baby_df.query(‘year == "2012-01-01" & month_num == 11‘)
df_13_11 = order_baby_df.query(‘year == "2013-01-01" & month_num == 11‘)

s_12_11_day_amount = df_12_11.groupby(by=‘day_num‘)[‘buy_mount‘].sum()
s_13_11_day_amount = df_13_11.groupby(by=‘day_num‘)[‘buy_mount‘].sum()

plt.plot(s_12_11_day_amount,label=‘12-11‘)
plt.plot(s_13_11_day_amount,label=‘13-11‘)
plt.legend()

 #结论 ：2012年在11月10日和11月19日出现高峰，2013年在11月11日和11月29日出现高峰很明显是双十一促销带来的影响

#分析一级分类商品的销量情况,使用柱状图显示

cat1_amount_s = order_baby_df.groupby(by=‘cat1‘)[‘buy_mount‘].sum()
cat1_amount_s

cat1
28           28545
38            3666
50008168     18792
50014815     19763
50022520      3245
122650008     2239
Name: buy_mount, dtype: int64

plt.bar(cat1_amount_s.index.astype(‘str‘),cat1_amount_s.values)
plt.xticks(rotation=30)

 #分析一级分类商品的购买用户人数,使用柱状图显示          # 这里 要用nunique 对user_id 去重 因为 一个用户多次购买 也只能算一个用户

cat_1_user_count_s = order_boby_df.groupby(by=‘cat1‘)[‘user_id‘].nunique()
cat_1_user_count_s

cat1
28            6958
38            1201
50008168     12484
50014815      4833
50022520      2367
122650008     2110
Name: user_id, dtype: int64

plt.bar(cat_1_user_count_s.index.astype(‘str‘),cat_1_user_count_s.values)

图中可以看出 68结尾的商品，购买用户人数是最大的，但是总销量低于28产品，按照我们对于热销产品的定义，50008168为热销产品。

热销产品为购买人数最多的产品而不是销量最高的产品，因为可能会有少量用户一次性购买大量的某种商品