毕业设计之 - 大数据分析：健身平台会员用户消费行为分析

﹏ヽ暗。殇╰゛Y 2022-09-09 14:58 64阅读 0赞

### 文章目录 ###

*  1 简介
 *  2 数据集
 *  3 数据处理
 *   *  3.1 数据类型转换
     *  3.2 数据分析-月度总趋势分析
     *  3.3 数据分析-用户个体行为分析
     *  3.4 回购率分析
     *  3.5 数据分析-用户行为中层分析
     *   *  3.5.1 RFM分层
 *  5 最后

--------------------

# 1 简介 #

Hi，大家好，这里是丹成学长，今天向大家介绍一个大数据项目

**大数据分析：电商产品评论数据情感分析**

大家可用于 毕业设计

技术解答、开题指导、毕设帮助
    毕设帮助：<Q>746876041

# 2 数据集 #

数据集来源于某健身房2019年3月至2020年2月会员消费购买行为，数据集一共包含四个字段：用户ID，购买日期，购买数量和购买金额。属于非常典型的消费行为数据集。

import pandas as pd
    import numpy as np
    import matplotlib.pyplot as plt#导入库及所需的包
    from datetime import datetime
    plt.rc('font', family='SimHei', size=18)# 显示中文标签
    plt.style.use ('ggplot')#设定绘图风格
    df=pd.read_excel(r"D:\PycharmProjects\data\cuscapi.xls", order_dt=['date'])# 数据加载
    df.head(10)

前10行数据展示

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_10_color_FFFFFF_t_70_g_se_x_16]

pd.set_option('display.float_format', lambda x: '%.2f' % x)
    df.describe()

![在这里插入图片描述][4a20ddf97c1348298887140dd831c4ed.png]

**分析：**

*  1.会员用户平均每笔订单购买1.5个商品，标准差为在0.9，波性较小 。中位数在1个商品，75分位数在2个产品，说明绝大订单的购买量都不多。
 *  2.平均每笔订单消费金额为22.9元，标准差约为95，中位数在20，平均数大于中位数。大多数会员消费金额集中在小额，小部分用户贡献大额消费，符合消费类数据的二八分布。
 *  3.一般而言，消费类数据的分布都是长尾分布。

# 3 数据处理 #

## 3.1 数据类型转换 ##

#提取月份
    df['order_dt']=df['order_dt'].dt.date
    df['month']=df['order_dt'].astype('datetime64[M]')
    df.head(10)

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_11_color_FFFFFF_t_70_g_se_x_16]

## 3.2 数据分析-月度总趋势分析 ##

df.groupby('month').order_amount.sum().plot()
    plt.xlabel('月份')
    plt.ylabel('消费金额(元)')
    plt.title('不同月份的用户消费金额',fontsize=20)

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_10_color_FFFFFF_t_70_g_se_x_16 1]

df.groupby('month').order_products.sum().plot()
    plt.xlabel('月份')
    plt.ylabel('商品个数')
    plt.title('不同月份的产品购买量',fontsize=20)

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_10_color_FFFFFF_t_70_g_se_x_16 2]

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_10_color_FFFFFF_t_70_g_se_x_16 3]  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_10_color_FFFFFF_t_70_g_se_x_16 4]

## 3.3 数据分析-用户个体行为分析 ##

user_consume=df.groupby('user_id').sum()
    plt.scatter(user_consume['order_products'], user_consume['order_amount'] ) 
    plt.xlabel('消费产品个数')
    plt.ylabel('消费金额')
    plt.title('用户消费金额与产品个数的关系散点图',fontsize=20)

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_11_color_FFFFFF_t_70_g_se_x_16 1]

consume_products = user_consume['order_products']
    consume_amount= user_consume['order_amount'] 
    
    fig= plt.figure(figsize=(10.,6))
    fig.add_subplot(1,2,1)
    consume_products.hist(bins=10 )
    plt.title('用户购买数量分布直方图')
    plt.xlabel('购买数量')
    plt.ylabel('人数')
        
    fig.add_subplot(1,2,2)
    consume_amount.hist(bins=10) 
    plt.title('用户购买金额分布直方图')
    plt.xlabel('购买金额')
    plt.ylabel('人数')

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_15_color_FFFFFF_t_70_g_se_x_16]

df.groupby('user_id').month.min().value_counts().plot()
    plt.title('第一次消费会员数和时间拆线图')
    plt.xlabel('首购时间')
    plt.ylabel('会员数')

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_11_color_FFFFFF_t_70_g_se_x_16 2]

a,b=plt.subplots(figsize=(10,6))
    b.plot(pivoted_counts.transf.count())
    b.plot(pivoted_counts.transf.sum())
    legends=['消费人数','二次消费以上用户人数']
    b.legend(legends)
    plt.title('每月消费和二次消费以上用户人数')
    plt.xlabel('时间(月)')
    plt.ylabel('用户数')

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_17_color_FFFFFF_t_70_g_se_x_16]

## 3.4 回购率分析 ##

#回购率是某一个时间窗口内消费的用户，在下一个时间窗口仍旧消费的占比。比如1月消费用户1000，他们中有300个2月依然消费，回购率是30%。
    pivoted_amount=df.pivot_table(index='user_id',columns='month',values='order_amount',aggfunc='mean').fillna(0)
    columns_month=df.month.dt.date.sort_values().unique()
    pivoted_amount.columns=columns_month
    pivoted_amount.head()

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_20_color_FFFFFF_t_70_g_se_x_16]  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_16_color_FFFFFF_t_70_g_se_x_16]

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_15_color_FFFFFF_t_70_g_se_x_16 1]

## 3.5 数据分析-用户行为中层分析 ##

### 3.5.1 RFM分层 ###

user_rfm=df.pivot_table(index='user_id',values=['order_dt','order_products','order_amount'],aggfunc={
        'order_dt':'max','order_products':'count','order_amount':'sum'})
    user_rfm.head()
    user_rfm['period']=(user_rfm.order_dt.max()-user_rfm.order_dt)/np.timedelta64(1,'D')
    user_rfm=user_rfm.rename(columns={
        'period':'R','order_products':'F','order_amount':'M'})
    user_rfm.head()
    #定义分层函数
    def rfm_func(x):
        level=x.apply(lambda x:'1' if x>=0 else '0')
        label=level.R+level.F+level.M
        d={
        '111':'高价值客户','011':'重点保持客户',
           '101':'重点发展客户','001':'重点挽留客户',
          '110':'一般价值客户','010':'一般保持客户',
         '100':'一般发展客户','000':'潜在客户'}
        result=d[label]
        return result
    user_rfm['label']=user_rfm[['R','F','M']].apply( lambda x:x-x.mean()).apply(rfm_func,axis=1)
    user_rfm.head()
    from matplotlib import font_manager as fm #字体管理器
    from matplotlib import cm#
    proptease = fm.FontProperties()
    proptease.set_size('medium')
    
    labelindex =user_rfm.groupby('label').count().index
    labelvalues =user_rfm.groupby('label')['M'].count().tolist()
    s = pd.Series(labelvalues, index=labelindex )
    labels = s.index
    sizes = s.values
    
    explode = (0,0,0,0,0.1,0.1,0.2)  # only "explode" the 1st slice
    fig, axes = plt.subplots(1,2,figsize=(10,6))
    ax1,ax2 = axes.ravel()#结合ravel()函数列出所有子图
    
    colors = cm.rainbow(np.arange(len(sizes))/len(sizes))# # 随机生成颜色
    # patches：饼片。texts：分类标签的文本列表。autotexts：百分比部分的文本列表
    patches, texts, autotexts = ax1.pie(sizes, labels=labels, autopct='%1.0f%%',explode=explode,
    shadow=False, startangle=170, colors=colors, labeldistance=1.2,pctdistance=1.05, radius=0.4)
    ax1.axis('equal')#将饼图显示为正圆形
    plt.setp(texts, fontproperties=proptease)
    
    # 设置百分比文本样式
    for i in autotexts:
        i.set_size('large')
    ax1.set_title('用户分层结构饼状图', loc='center')
    ax2.axis('off')#关闭所有坐标轴线、刻度标记和标签
    ax2.legend(patches, labels, loc='center left',fontsize=10)
    plt.tight_layout()#tight_layout会自动调整子图参数，使之填充整个图像区域

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_14_color_FFFFFF_t_70_g_se_x_16]

# 5 最后 #

技术解答
    毕设帮助：<Q>746876041

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_12_color_FFFFFF_t_70_g_se_x_16]

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_10_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/4770b959fba44b01afd677cde2a2bbee.png
[4a20ddf97c1348298887140dd831c4ed.png]: /images/20220829/5cd0a64cd0f34ca1a75625ecbd214fe3.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_11_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/d97595e31a22488192548a89a24fccea.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_10_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220829/2a15881b9b524bff8350a2a23bdb7993.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_10_color_FFFFFF_t_70_g_se_x_16 2]: /images/20220829/eddc9920dc804438bdbaac0653b2929c.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_10_color_FFFFFF_t_70_g_se_x_16 3]: /images/20220829/e57faa96dcc748cfbf3ea1cfbf9cbcc2.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_10_color_FFFFFF_t_70_g_se_x_16 4]: /images/20220829/060da6ee846a445f9c583d78abc0292d.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_11_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220829/470f148d59474027abced5334ec2ebc6.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_15_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/08c78df2dbca48dfa0570c32bec33c1a.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_11_color_FFFFFF_t_70_g_se_x_16 2]: /images/20220829/53a74f62e0cc4dd68e085f099cafbf17.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_17_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/4df2da3d49de4e8d86e070f226285aa6.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/31d01c481a6447fbaf868e7146344394.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_16_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/e269c395c4f945369782560a8586c1d7.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_15_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220829/dad03e565b3f481295dbb2a13b2c72bf.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_14_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/e5cfd55e63234834a315346acc15045e.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBARGFuQ2hlbmctc3R1ZGlv_size_12_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/5232a325550545f1b401c08c866a1580.png