用户消费行为分析实战

朱雀 2021-10-26 12:24 397阅读 0赞

#  用户消费行为分析实战 #

![20190819214444584.png][]

### **\#这份数据 分别是  用户的id  消费的日期 购买的产品数量，购买的金额** ###

** 首先我们对数据进行读取，并且做出相应数据的转换。**

import pandas as pd
    import numpy as np
    #这份数据 分别是  用户的id  消费的日期 购买的产品数量，购买的金额
    colums = ['usr_id','order_dt','order_products','order_amount']
    #因为是txt的数据所以我用read_table
    #这里的分割符是 多个空格
    df = pd.read_table("CDNOW_master.txt",names=colums,sep='\s+')
    #当我们看数据类型发现日期是 int类型，后期需要进行转换
    print(df.info())
    #转换日期的操作
    df['order_dt'] = pd.to_datetime(df.order_dt,format="%Y%m%d")
    #时间维度的转换 按照月份 ，values不能忘记加
    df['month'] = df.order_dt.values.astype('datetime64[M]')
    print(df.head())

***我们用info的函数方法看到数据类型，日期是格式，这个时候我们需要对日期进行一定的转换 ***

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70][]

***日期转换后的数据格式：***

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 1][]

** 现在开始进行操作月份的聚合**

#因为数据是按月的所以现在按照月份分组（聚合）
    grouped_month = df.groupby('month')
    #现在形成了聚合好的对象
    order_month_amount = grouped_month.order_amount.sum()
    print(order_month_amount.head())

** 结果：**

![20190819215605603.png][]

###  每月的消费金额可视化： ###

**现在已经把按照月的总消费额得出，然后我们对筛选出的数据来可视乎，看看随着每月的变化，钱数的变化：**

#现在对月份的金额的数据进行可视化
    #下面两个参数设置，为了中文可以显示
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    
    plt.style.use('ggplot')
    plt.title("每月的金额总数趋势变化统计")
    plt.xlabel("日期")
    plt.ylabel("元")
    order_month_amount.plot()
    plt.savefig('amount.jpg')
    plt.show()

可视化结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 2][]

**对上图进行分析：由图可知，消费金额在前三个月持续增长，最终达到最高峰，后面的开始极度在4月份下降，最终达到平稳，有轻微波动。**

### \#对每月订单数的统计进行可视化： ###

#对每月订单数的统计进行可视化
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    plt.style.use('ggplot')
    plt.title("每月订单数量趋势变化")
    plt.ylabel("订单数量")
    #按照用户id进行每月的统计订单，都是一行
    grouped_month.usr_id.count().plot()
    plt.savefig('order.jpg')
    plt.show()

**可视化结果：**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 3][]

** 对上图结果分析：前三个月消费订单数在1000笔左右，后续月份的平均消费人数则在2500人左右**

## ##

### 按月产品购买量可视化： ###

#产品购买量可视化
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    plt.style.use('ggplot')
    plt.title("每月产品购买数量趋势变化")
    plt.ylabel("产品购买数量")
    #按照用户id进行每月的统计订单，都是一行
    grouped_month.order_amount.count().plot()
    plt.savefig('order_amount.jpg')
    plt.show()

**可视化结果：**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 4][]

**由上图可知：前三个月的产品数量在增长，后面的开始出现急剧下降，最后开始有轻微波动都在2000左右 **

###  每月人数的趋势可视化： ###

#按月的人数数据可视化，首先我们需要知道，一个在一个月份里面可能多次购买，这时候我们需要对数据进行人数的去重
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    plt.style.use('ggplot')
    plt.title("每月的人数趋势")
    plt.ylabel("人数")
    #对人数进行去重,人后去重过后直接统计人数：，去重x.drop_duplicates()
    df.groupby('month').usr_id.apply(lambda x:len(x.drop_duplicates())).plot()
    #去重数据的方法二：
    # df.groupby(['month','usr_id']).count().reset_index()
    plt.savefig('people_amount.jpg')
    plt.show()

**可视化结果：**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 5][]

结果分析：前三个月增长，到四月急剧下降，最后轻微波动

## 部分数据 ： ##

00001 19970101  1   11.77
    00002 19970112  1   12.00
    00002 19970112  5   77.00
    00003 19970102  2   20.76
    00003 19970330  2   20.76
    00003 19970402  2   19.54
    00003 19971115  5   57.45
    00003 19971125  4   20.96
    00003 19980528  1   16.99
    00004 19970101  2   29.33
    00004 19970118  2   29.73
    00004 19970802  1   14.96
    00004 19971212  2   26.48
    00005 19970101  2   29.33
    00005 19970114  1   13.97
    00005 19970204  3   38.90
    00005 19970411  3   45.55
    00005 19970531  3   38.71
    00005 19970616  2   26.14
    00005 19970722  2   28.14
    00005 19970915  3   40.47
    00005 19971208  4   46.46
    00005 19971212  3   40.47
    00005 19980103  3   37.47
    00006 19970101  1   20.99
    00007 19970101  2   28.74
    00007 19971011  7   97.43
    00007 19980322  9  138.50
    00008 19970101  1    9.77
    00008 19970213  1   13.97
    00008 19970617  3   45.29
    00008 19970703  2   36.76
    00008 19971116  1    2.99
    00008 19971116  7   50.43
    00008 19971225  1   13.99
    00008 19980329  2   24.46
    00009 19970101  2   23.54
    00009 19970513  2   30.33
    00009 19980608  2   41.98
    00010 19970121  3   39.31
    00011 19970101  1   13.49
    00011 19970128  1   19.30
    00011 19970317  1   12.77
    00011 19980220  1   12.99
    00012 19970101  4   57.06
    00013 19970101  4   72.94
    00014 19970101  2   29.92
    00015 19970101  4   52.87
    00016 19970101  1    9.77
    00016 19970713  2   31.60
    00016 19970726  4   28.51
    00016 19970910  1    9.99
    00017 19970101  5   73.22
    00018 19970104  1   14.96
    00019 19970101 10  163.35
    00019 19970610  1   11.77
    00020 19970101 27  363.60
    00020 19970118 19  289.41
    00021 19970101  3   63.34
    00021 19970113  1   11.77
    00022 19970101  1   14.37
    00023 19970101  2   24.74
    00024 19970101  3   47.28
    00024 19980120  1   10.49
    00025 19970101  2   24.96
    00025 19970718  1   13.90
    00025 19970817  1   12.25
    00025 19971024  1   12.99
    00025 19980417  1   12.99
    00025 19980525  1   10.49
    00025 19980603  3   24.97
    00025 19980608  2   24.98
    00026 19970101  3   42.72
    00026 19970126  3   59.97
    00027 19970107  6   83.41
    00027 19970112  4   52.46
    00028 19970101  3   39.51
    00028 19970127  2   25.74
    00028 19970308  2   25.74
    00029 19970101  3   46.72
    00029 19970206  3   67.31
    00029 19970309  3   41.10
    00029 19970405  3   44.52
    00029 19970420  1   13.97
    00029 19970504  2   26.14
    00029 19970530  1   32.45
    00029 19970713  2   37.65
    00029 19970713  2   26.74
    00029 19970906  1   14.79
    00029 19971102  3   35.97
    00029 19980426  4   48.45
    00030 19970101  1   14.37
    00030 19970214  1   13.97
    00031 19970101  4   59.06
    00031 19980407  4   42.89
    00031 19980409  3   38.06
    00031 19980525  3   37.04
    00032 19970101  3   49.97
    00032 19970124  1   16.36
    00032 19980311  1   11.88

### 整体代码： ###

import pandas as pd
    import numpy as np
    import matplotlib.pyplot as plt
    #这份数据 分别是  用户的id  消费的日期 购买的产品数量，购买的金额
    colums = ['usr_id','order_dt','order_products','order_amount']
    #因为是txt的数据所以我用read_table
    #这里的分割符是 多个空格
    df = pd.read_table("CDNOW_master.txt",names=colums,sep='\s+')
    #当我们看数据类型发现日期是 int类型，后期需要进行转换
    print(df.info())
    #转换日期的操作
    df['order_dt'] = pd.to_datetime(df.order_dt,format="%Y%m%d")
    #时间维度的转换 按照月份 ，values不能忘记加
    df['month'] = df.order_dt.values.astype('datetime64[M]')
    print(df.head())
    #因为数据是按月的所以现在按照月份分组（聚合）
    grouped_month = df.groupby('month')
    #现在形成了聚合好的对象
    order_month_amount = grouped_month.order_amount.sum()
    print(order_month_amount.head())
    #现在对月份的金额的数据进行可视化
    #下面两个参数设置，为了中文可以显示
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    
    plt.style.use('ggplot')
    plt.title("每月的金额总数趋势变化统计")
    plt.xlabel("日期")
    plt.ylabel("元")
    order_month_amount.plot()
    plt.savefig('amount.jpg')
    plt.show()
    
    
    #对每月订单数的统计进行可视化
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    plt.style.use('ggplot')
    plt.title("每月订单数量趋势变化")
    plt.ylabel("订单数量")
    #按照用户id进行每月的统计订单，都是一行
    grouped_month.usr_id.count().plot()
    plt.savefig('order.jpg')
    plt.show()
    
    #产品购买量可视化
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    plt.style.use('ggplot')
    plt.title("每月产品购买数量趋势变化")
    plt.ylabel("产品购买数量")
    #按照用户id进行每月的统计订单，都是一行
    grouped_month.order_amount.count().plot()
    plt.savefig('order_amount.jpg')
    plt.show()
    
    #按月的人数数据可视化，首先我们需要知道，一个在一个月份里面可能多次购买，这时候我们需要对数据进行人数的去重
    plt.rcParams['font.sans-serif']=['SimHei']
    plt.rcParams['axes.unicode_minus'] = False
    plt.style.use('ggplot')
    plt.title("每月的人数趋势")
    plt.ylabel("人数")
    #对人数进行去重,人后去重过后直接统计人数：，去重x.drop_duplicates()
    df.groupby('month').usr_id.apply(lambda x:len(x.drop_duplicates())).plot()
    #去重数据的方法二：
    # df.groupby(['month','usr_id']).count().reset_index()
    plt.savefig('people_amount.jpg')
    plt.show()

[20190819214444584.png]: /images/20211026/a2e2e07d8ab24f8491f4ee70780d7c1f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70]: /images/20211026/6229ce64690e4248a62030a6fa3a6fe9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 1]: /images/20211026/8b91e98b500e404ab603798a2e5e9287.png
[20190819215605603.png]: /images/20211026/67365e518404494d8b78a78a95a1dfa2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 2]: /images/20211026/0e5e538e2df44242a38a0afb525db643.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 3]: /images/20211026/3013b4bdf37549e79a4be8ec8f1e07b6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 4]: /images/20211026/2903922ef85344bea9e3c47455bbef3c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNDc5NDY0_size_16_color_FFFFFF_t_70 5]: /images/20211026/c56412df351b47ce997f1720e9ec7435.png