Pandas数据分析案例之用户购买记录分析

数据分析之用户购买记录分析

• 基础支撑(我的另外两篇博客)：

  • 数据分析三剑客之Pandas
  • 数据分析之Pandas高级操作

• 本期知识点补漏：

  • $value\_counts()函数的使用$,值变为索引，而其值出现的次数变为值。

    • value_counts()的两种使用方式
      • series对象.value_counts() 返回series
      • pd.value_counts(series对象) 返回series

  • $astype()进行类型转换的时候时常会遇见类型转换失败，我们可以先转换成字符串类型再进行相应的类型转换.$

  • $nunique()表示统计去重后的个数$

  • $query函数的使用,对df进行过滤$

  • $agg对分组后的结果进行多种指定聚合$

  • $np.timedelta64(1{,}^{\prime }{D}^{\prime })$

  • $重点：df.apply(func):可以对df中的行或者列进行某种（func）形式的运算，没axis默认为列$

    $rfm.apply(lambdax:x-x.mean()),x代表每一列，对df的每一列进行操作$

    $apply(rfm\_func,axis=1),rfm\_func(x),x代表每一行，类型为Series$

• 首先准备好数据源文件，名为CDNOW_master.txt,打开此文件样貌如下图：

  • 

  • 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

  • 数据如右：

第一部分：数据类型处理

数据加载

• #数据的加载  注意源文件中有多个不同个数的空格作为分割
  df = pd.read_csv('../data/CDNOW_master.txt',header=None,sep='\s+',names=['user_id','order_dt','order_product','order_amount'])
  df
  

  • 输出如下：
  • 

观察数据

查看数据的数据类型

• df.info()
  

  • out:

  • <class 'pandas.core.frame.DataFrame'>
    RangeIndex: 69659 entries, 0 to 69658
    Data columns (total 4 columns):#   Column         Non-Null Count  Dtype  
    ---  ------         --------------  -----  0   user_id        69659 non-null  int64  1   order_dt       69659 non-null  int64  2   order_product  69659 non-null  int64  3   order_amount   69659 non-null  float64
    dtypes: float64(1), int64(3)
    memory usage: 2.1 MB
    

数据中是否存储在缺失值

• 我们经过上方df.info()发现并无缺失值的，因为总共69659条数据,而每一列都有65659条数据

将order_dt转换成时间类型

• df['order_dt'] = pd.to_datetime(df['order_dt'],format='%Y%m%d')
  

查看数据的统计描述

• df.describe()
  

  • out:

  • 		user_id			order_product	order_amount
    count	69659.000000	69659.000000	69659.000000
    mean	11470.854592	2.410040		35.893648
    std		6819.904848		2.333924		36.281942
    min		1.000000		1.000000		0.000000
    25%		5506.000000		1.000000		14.490000
    50%		11410.000000	2.000000		25.980000
    75%		17273.000000	3.000000		43.700000
    max		23570.000000	99.000000		1286.010000
    

计算所有用户购买商品的平均数量

• 由上方df.describe()可知平均数量为2.410040

计算所有用户购买商品的平均花费

• 由上方df.describe()可知平均花费为35.893648

在源数据中添加一列表示月份:astype(‘datetime64[M]’)

• $astype()进行类型转换的时候时常会遇见类型转换失败，我们可以先转换成字符串类型再进行相应的类型转换.$

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

• out:

  • 	user_id	order_dt	order_product	order_amount	month
    0	1	1997-01-01	1	11.77	1997-01-01
    1	2	1997-01-12	1	12.00	1997-01-01
    2	2	1997-01-12	5	77.00	1997-01-01
    3	3	1997-01-02	2	20.76	1997-01-01
    4	3	1997-03-30	2	20.76	1997-03-01
    

第二部分：按月数据分析

用户每月花费的总金额并绘制曲线图展示

df.groupby(by='month')['order_amount'].sum()

out:

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：

df.groupby(by='month')['order_amount'].sum().plot()

out:

所有用户每月的产品购买量

df.groupby(by='month')['order_product'].sum()

out:

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(原始数据中的一行数据表示一次消费记录)

df.groupby(by='month')['user_id'].count()

out:

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

• $nunique()表示统计去重后的个数$

df.groupby(by='month')['user_id'].nunique()

out:

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

用户消费总金额和消费总次数的统计描述

• 用户消费总金额

df.groupby(by='user_id')['order_amount'].sum() #每一个用户消费的总金额

out:

user_id
1         11.77
2         89.00
3        156.46
4        100.50
5        385.61...  
23566     36.00
23567     20.97
23568    121.70
23569     25.74
23570     94.08
Name: order_amount, Length: 23570, dtype: float64

• 消费总次数

#每一个用户消费的总次数 df.groupby(by='user_id')['order_dt'].count()
df.groupby(by='user_id').count()['order_dt']

out:

user_id
1         1
2         2
3         6
4         4
5        11..
23566     1
23567     1
23568     3
23569     1
23570     2
Name: order_dt, Length: 23570, dtype: int64

用户消费金额和消费产品数量的散点图

user_amount_sum = df.groupby(by='user_id')['order_amount'].sum()
user_product_sum = df.groupby(by='user_id')['order_product'].sum()
plt.scatter(user_product_sum,user_amount_sum)

out:

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)

$query函数的使用$

df.groupby(by='user_id').sum().query('order_amount <= 1000')['order_amount']

out:

user_id
1         11.77
2         89.00
3        156.46
4        100.50
5        385.61...  
23566     36.00
23567     20.97
23568    121.70
23569     25.74
23570     94.08
Name: order_amount, Length: 23370, dtype: float64

直方图：

df.groupby(by='user_id').sum().query('order_amount <= 1000')['order_amount'].hist()

out:

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)

df.groupby(by='user_id').sum().query('order_product <= 100')['order_product'].hist()

out:

第四部分：用户消费行为分析

用户第一次消费的月份分布，和人数统计并绘制线型图

$value\_counts()函数的使用$,值变为索引，而其值出现的次数变为值。

df.groupby(by='user_id')['month'].min()

out:

user_id
1       1997-01-01
2       1997-01-01
3       1997-01-01
4       1997-01-01
5       1997-01-01...    
23566   1997-03-01
23567   1997-03-01
23568   1997-03-01
23569   1997-03-01
23570   1997-03-01
Name: month, Length: 23570, dtype: datetime64[ns]

df.groupby(by='user_id')['month'].min().value_counts() #人数的统计

out:

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

df.groupby(by='user_id')['month'].min().value_counts().plot()

out:

用户最后一次消费的时间分布，和人数统计并绘制线型图

• 与上方类似,只不过min()改为max()

df.groupby(by='user_id')['month'].max().value_counts().plot()

out:

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聚合
  • 分析出新老客户的消费比例

$agg对分组后的结果进行多种指定聚合$

new_old_user_df = df.groupby(by='user_id')['order_dt'].agg(['min','max'])
new_old_user_df

out:

min			max
user_id		
1			1997-01-01	1997-01-01
2			1997-01-12	1997-01-12
3			1997-01-02	1998-05-28
4			1997-01-01	1997-12-12
5			1997-01-01	1998-01-03
...			...			...
23566		1997-03-25	1997-03-25
23567		1997-03-25	1997-03-25
23568		1997-03-25	1997-04-22
23569		1997-03-25	1997-03-25
23570		1997-03-25	1997-03-26
23570 rows × 2 columns

(new_old_user_df['min'] == new_old_user_df['max']).value_counts()

out:

True     12054
False    11516
dtype: int64

由此观之：

• 新用户为：12054
• 老用户为：11516

用户分层

• 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

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"})
rfm

out:

		order_amount	order_dt	order_product
user_id			
1		11.77			1997-01-01	1
2		89.00			1997-01-12	6
3		156.46			1998-05-28	16
4		100.50			1997-12-12	7
5		385.61			1998-01-03	29
...		...				...			...
23566	36.00			1997-03-25	2
23567	20.97			1997-03-25	1
23568	121.70			1997-04-22	6
23569	25.74			1997-03-25	2
23570	94.08			1997-03-26	5
23570 rows × 3 columns

• R表示客户最近一次交易时间的间隔
  • 我们将最后一次的消费记录时间作为今天日期

max_dt = df['order_dt'].max() #今天的日期

• 用今天时间减去用户最后一次消费的时间就是时间间隔

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

out: $np.timedelta64(1{,}^{\prime }{D}^{\prime })$用于清除days，不然R的数据都会有days

			order_amount	order_dt	order_product	R
user_id													#/np.timedelta64(1,'D')的效果就是去除了days,并且使其变成了float类型。
1			11.77			1997-01-01	1				545.0(days)
2			89.00			1997-01-12	6				534.0
3			156.46			1998-05-28	16				33.0
4			100.50			1997-12-12	7				200.0
5			385.61			1998-01-03	29				178.0
...	...	...	...	...
23566		36.00			1997-03-25	2				462.0
23567		20.97			1997-03-25	1				462.0
23568		121.70			1997-04-22	6				434.0
23569		25.74			1997-03-25	2				462.0
23570		94.08			1997-03-26	5				461.0
23570 rows × 4 columns

• 此时我们将order_dt从rfm表中删除

rfm.drop(labels='order_dt',axis=1,inplace=True)

• 剩下的三列数据就是M,F,R了

rfm.columns = ['M','F','R']
rfm.head()

out:

			M	F	R
user_id			
1		11.77	1	545.0
2		89.00	6	534.0
3		156.46	16	33.0
4		100.50	7	200.0
5		385.61	29	178.0

• 根据R,F,M生成lable列

def rfm_func(x):#存储存储的是三个字符串形式的0或者1level = x.map(lambda x :'1' if x >= 0 else '0')label = level.R + level.F + level.Md = {'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()).apply(rfm_func,axis = 1)
rfm.head()

out:

	M		F	R		label
user_id				
1	11.77	1	545.0	一般挽留客户
2	89.00	6	534.0	一般挽留客户
3	156.46	16	33.0	重要保持客户
4	100.50	7	200.0	一般发展客户
5	385.61	29	178.0	重要保持客户

$重点：df.apply(func):可以对df中的行或者列进行某种（func）形式的运算，没axis默认为列$

$rfm.apply(lambdax:x-x.mean())x代表列，对df的每一列进行操作$

$apply(rfm\_func,axis=1),rfm\_func(x),x代表每一行，类型为Series$

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

user_month_count_df = df.pivot_table(index='user_id',values='order_dt',aggfunc='count',columns='month').fillna(0)
user_month_count_df.head()

out:

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

df_purchase = user_month_count_df.applymap(lambda x:1 if x >= 1 else 0)
df_purchase.head()

out:

将用户按照每一个月份分级

• 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

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

• 上方利用apply对行进行操作，每行返回一个列表，故out如下：

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

• 利用上方列表创建一个新的dateframe即可

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

out:

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)
  • series对象.value_counts() 返回series
  • pd.value_counts(series对象) 返回series
• 转置进行最终结果的查看

首先对每列进行统计个数,apply函数一次对每列进行操作

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

out:

转置

purchase_status_ct.T

out: